CN114343673A - 跨被试的运动想象脑电信号处理方法、介质、设备 - Google Patents

Abstract

本发明公开了跨被试的运动想象脑电信号处理方法、介质、设备，本发明通过将其他辅助被试的样本与目标被试小训练样本进行混合并计算分类正确率提升贡献度及权重，进而优化了小样本自身的特征分布，最终实现提升目标被试小样本训练分类正确率的目的。本方法改变了不同被试的数据由于差异性而无法用于跨被试训练的现象，增强了数据的可重复使用性，并且能够实现减少离线训练时间，提升小样本训练的分类正确率的目的。

Description

跨被试的运动想象脑电信号处理方法、介质、设备

技术领域

本发明涉及运动想象脑电信号处理领域，具体涉及一种跨被试的小样本运动想象脑电信号处理方法。

背景技术

在运动想象脑电(EEG)信号处理领域，训练样本数量是影响分类正确率的关键因素。训练样本数量不够充足通常会导致分类器训练的模型过拟合，进而导致分类正确率不佳。由于运动想象脑电(EEG)信号自身存在非平稳性，导致不同被试之间或相同被试在不同时间环节采集的信号特征存在差异性，进而使运动想象脑电(EEG)信号的可重复使用性很差。每一名被试在进行运动想象实验时，现有的一些信号处理方法都需要花费大量的时间进行离线训练，以获得足量的符合当前被试状态的数据进行可靠的分类器模型训练，费时费力。

发明内容

针对现有技术存在的问题，本发明的第一目的在于提供一种解决运动想象脑电信号可重复使用性差，离线训练时间过长以及小样本训练分类正确率不佳问题的跨被试的小样本运动想象脑电信号处理方法。

本发明的第二目的在于提供一种运动想象脑电信号处理装置。

本发明的第三目的在于提供一种执行实现上述运动想象脑电信号处理方法的电子设备。

本发明的第四目的在于提供一种执行实现上述运动想象脑电信号处理方法的计算机可读介质。

为实现上述目的，本发明第一方面提供一种跨被试的运动想象脑电信号处理方法，包括以下步骤：

准备多名辅助被试的有标签样本、一名目标被试的有标签训练样本和目标被试的无标签测试样本；

每名辅助被试的有标签样本轮流与目标被试的有标签训练样本进行混合，依次计算目标被试的无标签测试样本混合前分类正确率a₀和每次混合后的分类正确率a_j；

根据目标被试的无标签测试样本混合前分类正确率和混合后的分类正确率计算每名辅助被试的有标签样本对目标被试的无标签测试样本的分类准确率提升贡献度和对应权重值；

根据目标被试训练样本的协方差矩阵与所有辅助被试所选样本协方差矩阵计算复合协方差矩阵；

利用所述复合协方差矩阵计算空间滤波器，并使用空间滤波器计算优化后的目标被试的有标签训练样本和目标被试的无标签测试样本的特征；

根据优化后的目标被试的有标签训练样本和目标被试的无标签测试样本的特征计算分类正确率。

进一步，每名辅助被试的有标签样本轮流与目标被试的有标签训练样本进行混合，依次计算目标被试的无标签测试样本混合前和每次混合后的分类正确率包括：

对目标被试的有标签训练样本特征使用SVM训练分类器模型，并用于目标被试的无标签测试样本的分类预测；

通过对比分类预测标签与目标被试的无标签测试样本的真实标签，计算目标被试的无标签测试样本的分类正确率a₀；

对辅助被试的有标签样本与目标被试的有标签训练样本混合后的混合样本特征使用SVM训练分类器模型，并用于目标被试的无标签测试样本的分类预测；

通过对比分类预测标签与无标签测试样本的真实标签，计算优化后的目标被试的无标签测试样本的分类正确率a_j。

进一步，根据目标被试的无标签测试样本混合前分类正确率和混合后的分类正确率计算每名辅助被试的有标签样本对目标被试的无标签测试样本的分类准确率提升贡献度和对应权重值包括：

按照Δ_j＝a_j-a₀公式计算分类正确率提升贡献度；

按照

公式计算权重值；

其中，a₀为目标被试的无标签测试样本混合前分类正确率，a_j为目标被试的无标签测试样本混合后分类正确率，Δ_j为辅助被试的分类正确率提升贡献度，min(△)为全部辅助被试中最小分类正确率提升贡献度，max(△)为全部辅助被试中最大分类正确率提升贡献度。

进一步，根据目标被试训练样本的协方差矩阵与所有辅助被试所选样本协方差矩阵计算复合协方差矩阵包括：

按照

公式计算复合协方差矩阵；

其中，C_y为复合协方差矩阵，

为目标被试训练样本的协方差矩阵，

为辅助被试所选样本的协方差矩阵，β_c为正则化参数且满足0≤β_c≤1。

本发明的第二方面提供一种跨被试的运动想象脑电信号处理装置，包括：

混合模块，用于每名辅助被试的有标签样本轮流与目标被试的有标签训练样本进行混合，依次计算目标被试的无标签测试样本混合前分类正确率a₀和每次混合后的分类正确率a_j；

第一计算模块，用于根据目标被试的无标签测试样本混合前分类正确率和混合后的分类正确率计算每名辅助被试的有标签样本对目标被试的无标签测试样本的分类准确率提升贡献度和对应权重值；

第二计算模块，用于根据目标被试训练样本的协方差矩阵与所有辅助被试所选样本协方差矩阵计算复合协方差矩阵；

第三计算模块，利用所述复合协方差矩阵计算空间滤波器，并使用空间滤波器计算优化后的目标被试的有标签训练样本和目标被试的无标签测试样本的特征；

第四计算模块，根据优化后的目标被试的有标签训练样本和目标被试的无标签测试样本的特征计算分类正确率。

本发明的第三方面提供一种电子设备，包括：

一个或多个处理器；以及

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现根据第一方面所述的运动想象脑电信号处理方法。

本发明的第四方面提供一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现根据第一方面所述的运动想象脑电信号处理方法。

本发明通过将其他辅助被试的样本与目标被试小训练样本进行混合并计算分类正确率提升贡献度及权重，进而优化了小样本自身的特征分布，最终实现提升目标被试小样本训练分类正确率的目的。本方法改变了不同被试的数据由于差异性而无法用于跨被试训练的现象，增强了数据的可重复使用性，并且能够实现减少离线训练时间，提升小样本训练的分类正确率的目的。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例的跨被试的运动想象脑电信号处理方法的流程图；

图2为本发明的另一个实施例的跨被试的运动想象脑电信号处理方法的流程图；

图3为本发明的另一个实施例的跨被试的运动想象脑电信号处理方法的流程图；

图4为本发明的另一个实施例的跨被试的运动想象脑电信号处理方法的流程图；

图5为本发明的实施例的跨被试的运动想象脑电信号处理方法的结构框图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

如图1所示，本发明第一方面提供一种跨被试的运动想象脑电信号处理方法，包括以下步骤：

步骤S110：准备多名辅助被试的有标签样本、一名目标被试的有标签训练样本和目标被试的无标签测试样本；其中，有标签样本指每一个运动想象trial(实验)都标记了运动想象类别的样本，无标签样本是指每一个运动想象trial无对应运动想象类别的样本。运动想象的类别数为两类，类型不限，具体可包括想象手、脚或舌头运动。目标被试与辅助被试分别指数据需要被优化的被试和提供数据辅助他人进行优化的被试，其所有样本使用相同采集设备与相同实验范式采集得到。辅助被试样本的数量没有限制，目标被试训练与测试样本的比例小于1:3。

步骤S120：每名辅助被试的有标签样本轮流与目标被试的有标签训练样本进行混合，依次计算目标被试的无标签测试样本混合前分类正确率a₀和每次混合后的分类正确率a_j；其中，样本轮流混合指每一名辅助被试的所选样本分别与目标被试全部训练样本直接混合成一个新的混合训练样本，混合后测试样本不发生任何变化。分类正确率的计算在样本混合前后使用相同的信号处理方法。

步骤S130：根据目标被试的无标签测试样本混合前分类正确率和混合后的分类正确率计算每名辅助被试的有标签样本对目标被试的无标签测试样本的分类准确率提升贡献度和对应权重值；

步骤S140：根据目标被试训练样本的协方差矩阵与所有辅助被试所选样本协方差矩阵计算复合协方差矩阵；

步骤S150：利用所述复合协方差矩阵计算空间滤波器，并使用空间滤波器计算优化后的目标被试的有标签训练样本和目标被试的无标签测试样本的特征；

步骤S160：根据优化后的目标被试的有标签训练样本和目标被试的无标签测试样本的特征计算分类正确率。

在本发明一实施例中，步骤S110选用第三次国际脑机接口竞赛提供的IVa数据集，该数据集使用相同的采集设备和相同的实验范式，分别采集记录了5名被试右手和右脚各140组运动想象EEG信号。在实际应用时，5名被试中，1名被试作为目标被试，其余4名被试作为辅助被试。其中目标被试的全部样本被人为划分为训练样本和测试样本，其比例小于1:3，所有辅助被试样本均不做划分。辅助被试样本与目标被试训练样本的标签信息都可以从原始数据集提供的信息中获得，测试样本的真实标签仅用于分类正确率计算，不可用于信号处理过程。

在本发明一种实施例中，步骤S120分类正确率的计算过程需要对样本进行带通滤波、CSP(公共空间模式)和SVM(支持向量机)计算。使用切比雪夫I型带通滤波器完成8～30Hz的带通滤波，其他参数为：通带波纹小于0.1dB，阻带衰减大于60dB，过度带宽为4Hz。将所有被试的样本进行带通滤波后，首先使用目标被试训练样本进行CSP空间滤波器的计算，进一步计算训练样本和测试样本的特征矩阵，最后使用训练样本特征训练SVM分类器模型，并应用于测试样本的分类预测，即可完成分类正确率的计算。接下来4名辅助被试各选取一定数量的样本轮流与目标被试训练样本进行混合，得到混合训练样本，将混合训练样本和测试样本重复产上述流程即可得到混合后的分类正确率。

如图2所示，步骤S120包括步骤S210～步骤S240。

步骤S210：对目标被试的有标签训练样本特征使用SVM训练分类器模型，并用于目标被试的无标签测试样本的分类预测；

步骤S220：通过对比分类预测标签与目标被试的无标签测试样本的真实标签，计算目标被试的无标签测试样本的分类正确率a₀；

步骤S230：对辅助被试的有标签样本与目标被试的有标签训练样本混合后的混合样本特征使用SVM训练分类器模型，并用于目标被试的无标签测试样本的分类预测；

步骤S240：通过对比分类预测标签与无标签测试样本的真实标签，计算优化后的目标被试的无标签测试样本的分类正确率a_j。

如图3所示，步骤S130包括步骤S310和步骤S320。

步骤S310：按照Δ_j＝a_j-a₀公式计算分类正确率提升贡献度；

步骤S320：按照

公式计算权重值；

其中，a₀为目标被试的无标签测试样本混合前分类正确率，a_j为目标被试的无标签测试样本混合后分类正确率，Δ_j为辅助被试的分类正确率提升贡献度，min(△)为全部辅助被试中最小分类正确率提升贡献度，max(△)为全部辅助被试中最大分类正确率提升贡献度。

如图4所示，步骤S140包括步骤S410和步骤S420。

步骤S410：计算每名辅助被试所选样本协方差矩阵

步骤S420：按照

公式计算复合协方差矩阵；

其中，C_y为复合协方差矩阵，

为目标被试训练样本的协方差矩阵，

为辅助被试所选样本的协方差矩阵，β_c为正则化参数且满足0≤β_c≤1。

为使本领域技术人员更清楚地理解本发明的运动想象脑电信号处理方法，现将方法完整运算流程介绍如下：

符号	符号的含义
		D<sub>t</sub>	目标被试训练样本集
D<sub>j</sub>	辅助被试样本集，其中j＝1,2,3,4
		S	目标被试测试样本集

为使本领域技术人员方便理解，上表中对运算过程中所有符号做了定义。

1)使用CSP对目标训练集D_t的样本计算空间滤波器W₀，并使用W₀计算目标训练集D_t与目标测试集S样本的特征；

2)对目标训练集D_t样本特征使用SVM训练分类器模型，并将其用于目标测试集S样本特征的分类预测，通过对比分类预测标签与目标测试集S样本的真实标签，计算目标被试测试样本的分类正确率a₀；

3)计算目标训练集D_t样本的协方差矩阵

其中y∈{-1,1}表示两种运动想象类别；

4)For j＝1,2,…N

a)从辅助样本集D_j的两类样本中，分别抽取等量样本组成新辅助样本集

b)计算新辅助样本集

样本协方差矩阵

c)将目标训练集D_t与新辅助样本集D_j,new样本进行混合，得到新训练集

d)使用CSP对新训练集

样本计算空间滤波器W_j,t，并使用W_j,t计算新训练集

和目标测试集S样本的特征；

e)对新训练集

样本特征使用SVM训练分类器模型，并用于目标测试集S样本特征的分类预测，通过对比分类预测标签与新训练集

的真实标签，计算分类正确率a_j；

f)计算直接分类正确率提升贡献度Δ_j：

Δ_j＝a_j-a₀

End

5)设Δ＝{Δ_j}，且j＝1,2,…N；

6)For j＝1,2,…N

计算权重值W_j：

End

7)计算复合协方差矩阵C_y：

8)使用CSP对复合协方差矩阵C_y计算空间滤波器W，并使用W计算目标训练集D_t与目标测试集S样本的特征；

9)对目标训练集D_t样本特征使用SVM训练分类器模型，并将其用于目标测试集S样本特征的分类预测，通过对比分类预测标签与目标测试集S样本的真实标签，计算分类正确率a。

本发明通过将其他辅助被试的样本与目标被试小训练样本进行混合并计算分类正确率提升贡献度及权重，进而优化了小样本自身的特征分布，最终实现提升目标被试小样本训练分类正确率的目的。本方法改变了不同被试的数据由于差异性而无法用于跨被试训练的现象，增强了数据的可重复使用性，并且能够实现减少离线训练时间，提升小样本训练的分类正确率的目的。

如图5所示，本发明的第二方面提供一种跨被试的运动想象脑电信号处理装置500包括混合模块510、第一计算模块520、第二计算模块530、第三计算模块540、第四计算模块550。

混合模块510，用于每名辅助被试的有标签样本轮流与目标被试的有标签训练样本进行混合，依次计算目标被试的无标签测试样本混合前分类正确率a₀和每次混合后的分类正确率a_j；

第一计算模块520，用于根据目标被试的无标签测试样本混合前分类正确率和混合后的分类正确率计算每名辅助被试的有标签样本对目标被试的无标签测试样本的分类准确率提升贡献度和对应权重值；

第二计算模块530，用于根据目标被试训练样本的协方差矩阵与所有辅助被试所选样本协方差矩阵计算复合协方差矩阵；

第三计算模块540，利用所述复合协方差矩阵计算空间滤波器，并使用空间滤波器计算优化后的目标被试的有标签训练样本和目标被试的无标签测试样本的特征；

第四计算模块550，根据优化后的目标被试的有标签训练样本和目标被试的无标签测试样本的特征计算分类正确率。

根据本发明的实施例，该装置500可以实现图1～4实施例描述的运动想象脑电信号处理方法。

由于本发明的示例实施例的运动想象脑电信号处理装置500的各个模块可以用于实现上述1～图4描述的运动想象脑电信号处理方法的示例实施例的步骤，因此对于本发明装置实施例中未披露的细节，请参照本发明上述的运动想象脑电信号处理方法的实施例。

可以理解的是，混合模块510、第一计算模块520、第二计算模块530、第三计算模块540、第四计算模块550可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本发明的实施例，混合模块510、第一计算模块520、第二计算模块530、第三计算模块540、第四计算模块550中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以以对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式的适当组合来实现。或者，混合模块510、第一计算模块520、第二计算模块530、第三计算模块540、第四计算模块550中的至少一个可以至少被部分地实现为计算机程序模块，当该程序被计算机运行时，可以执行相应模块的功能。

本发明还提供一种电子设备，包括：一个或多个处理器；以及存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述图1～4实施例描述的方法。

本发明还提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述图1～4实施例描述的方法。

根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的模块也可以设置在处理器中。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (7)

1.一种跨被试的运动想象脑电信号处理方法，其特征在于，包括以下步骤：

准备多名辅助被试的有标签样本、一名目标被试的有标签训练样本和目标被试的无标签测试样本；

每名辅助被试的有标签样本轮流与目标被试的有标签训练样本进行混合，依次计算目标被试的无标签测试样本混合前分类正确率a₀和每次混合后的分类正确率a_j；

根据目标被试的无标签测试样本混合前分类正确率和混合后的分类正确率计算每名辅助被试的有标签样本对目标被试的无标签测试样本的分类准确率提升贡献度和对应权重值；

根据目标被试训练样本的协方差矩阵与所有辅助被试所选样本协方差矩阵计算复合协方差矩阵；

利用所述复合协方差矩阵计算空间滤波器，并使用空间滤波器计算优化后的目标被试的有标签训练样本和目标被试的无标签测试样本的特征；

根据优化后的目标被试的有标签训练样本和目标被试的无标签测试样本的特征计算分类正确率。

2.如权利要求1所述的运动想象脑电信号处理方法，其特征在于，每名辅助被试的有标签样本轮流与目标被试的有标签训练样本进行混合，依次计算目标被试的无标签测试样本混合前和每次混合后的分类正确率包括：

对目标被试的有标签训练样本特征使用SVM训练分类器模型，并用于目标被试的无标签测试样本的分类预测；

通过对比分类预测标签与目标被试的无标签测试样本的真实标签，计算目标被试的无标签测试样本的分类正确率a₀；

对辅助被试的有标签样本与目标被试的有标签训练样本混合后的混合样本特征使用SVM训练分类器模型，并用于目标被试的无标签测试样本的分类预测；

通过对比分类预测标签与无标签测试样本的真实标签，计算优化后的目标被试的无标签测试样本的分类正确率a_j。

3.如权利要求1所述的运动想象脑电信号处理方法，其特征在于，根据目标被试的无标签测试样本混合前分类正确率和混合后的分类正确率计算每名辅助被试的有标签样本对目标被试的无标签测试样本的分类准确率提升贡献度和对应权重值包括：

按照Δ_j＝a_j-a₀公式计算分类正确率提升贡献度；

按照

公式计算权重值；

其中，a₀为目标被试的无标签测试样本混合前分类正确率，a_j为目标被试的无标签测试样本混合后分类正确率，Δ_j为辅助被试的分类正确率提升贡献度，min(△)为全部辅助被试中最小分类正确率提升贡献度，max(△)为全部辅助被试中最大分类正确率提升贡献度。

4.如权利要求3所述的运动想象脑电信号处理方法，其特征在于，

根据目标被试训练样本的协方差矩阵与所有辅助被试所选样本协方差矩阵计算复合协方差矩阵包括：

按照

公式计算复合协方差矩阵；

其中，C_y为复合协方差矩阵，

为目标被试训练样本的协方差矩阵，

为辅助被试所选样本的协方差矩阵，β_c为正则化参数且满足0≤β_c≤1。

5.一种跨被试的运动想象脑电信号处理装置，其特征在于，包括：

混合模块，用于每名辅助被试的有标签样本轮流与目标被试的有标签训练样本进行混合，依次计算目标被试的无标签测试样本混合前分类正确率a₀和每次混合后的分类正确率a_j；

第一计算模块，用于根据目标被试的无标签测试样本混合前分类正确率和混合后的分类正确率计算每名辅助被试的有标签样本对目标被试的无标签测试样本的分类准确率提升贡献度和对应权重值；

第二计算模块，用于根据目标被试训练样本的协方差矩阵与所有辅助被试所选样本协方差矩阵计算复合协方差矩阵；

第三计算模块，利用所述复合协方差矩阵计算空间滤波器，并使用空间滤波器计算优化后的目标被试的有标签训练样本和目标被试的无标签测试样本的特征；

第四计算模块，根据优化后的目标被试的有标签训练样本和目标被试的无标签测试样本的特征计算分类正确率。

6.一种电子设备，包括：

一个或多个处理器；以及

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现根据权利要求1～4中任意一项所述的运动想象脑电信号处理方法。

7.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现根据权利要求1～4中任意一项所述的运动想象脑电信号处理方法。

Images