CN115034296A - 一种基于域相似性脑电跨被试源域选择方法 - Google Patents
一种基于域相似性脑电跨被试源域选择方法 Download PDFInfo
- Publication number
- CN115034296A CN115034296A CN202210620691.XA CN202210620691A CN115034296A CN 115034296 A CN115034296 A CN 115034296A CN 202210620691 A CN202210620691 A CN 202210620691A CN 115034296 A CN115034296 A CN 115034296A
- Authority
- CN
- China
- Prior art keywords
- domain
- distribution
- source domain
- tested
- distance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7221—Determining signal validity, reliability or quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于域相似性脑电跨被试源域选择方法。针对现有技术的问题,提出的技术方案为:首先根据改进的MMD公式求出每一被试内的类间间距MMD(xi)并给出置信度;通过计算选择出的Copula函数Kendall秩相关系数并叠加前者的置信度,设置阈值选取大致1/3的源域作为迁移对象进行迁移学习;再通过对分布平衡进行自适应调节以平衡条件分布和边缘分布;最后更新目标域软标签最后返回分类器进行三分类输出分类准确度。本发明使用了源域选择提高了基于流形嵌入分布对齐的效率,最终使用适合迁移学习的源域进行学习,相比传统方法提高了准确度并极大降低了运算时间。
Description
技术领域
本发明涉及情绪脑电信号源域选择方法,具体通过对比源域与目标域相似性对比选择适合迁移学习的源域的方法。
背景技术
人类的情感是以人为主体的需求愿望等倾向的心理现象,近年来,研究人员一直在为人类的情绪做分类。在现代,情感识别主题日渐步入人类的视野中,在不同领域中发挥着其重要的作用,例如在医疗行业中通过监测患者情绪来实现快速诊断,利用情绪进行图像检索等。
在跨被试模式识别领域中,迁移学习就其利用先前获得的知识来提高某个领域学习的效率和准确性以及无需大量的标记数据等优势映入眼帘,其方法就是通过迁移数据标注、迁移模型、自适应学习以及相似领域知识迁移等利用少量数据标签得到更好的效果。而对于不同的个体,很难使用单一被试模型识别每个个体的情绪,通过测量源域与目标域之间的域相似性,强关联相似性较强的源域,弱关联甚至剔除相似性较差的域,很大程度上提高了跨被试间情感识别准确度。
发明内容
本发明就脑电跨被试情绪识别问题中,主要提出利用基于Copula函数建模跨被试中脑电信号间非线性相关关系,以及叠加改进的最大均值差异(MMD)的计算方法计算类内间距的权重,并对源域数据进行筛选,使得筛选出的数据能够更好地进行迁移。
本发明的目的可以通过以下技术方案实现:
本发明将脑电数据基于域相似性进行选择,并对选择后的数据进行无监督分类,具体包括以下步骤:
步骤1.首先根据改进的MMD公式求出每一源域被试内的类间间距MMD(xi)并给出置信度;
步骤2.为能确定使用的Copula函数类型,方便比较源域与目标域的分布,首先对所选取的源域数据进行切分,每一被试每次实验的不同情绪类别中,将每一类情绪切分出来并与目标域整体均值构造联合分布,选取分析二者核分布估计选取Copula函数中的Frank- Copula函数并参数估计,求得参数估计值为18.1323;
步骤3.计算Frank-Copula函数的Kendall秩相关系数并叠加步骤1的置信度,设置阈值为1.5来选取部分的源域作为迁移对象进行迁移学习;
步骤4.对分布平衡进行自适应调节以平衡条件分布和边缘分布,然后更新目标域软标签,最后返回分类器输出分类准确度。
所述的步骤1中,MMD距离(Maximum mean discrepancy)是度量在再生核希尔伯特空间中两个分布的距离,公式理解就是求两堆数据在核空间中的均值距离。在脑电情绪识别源域选择中,本文实验了大量数据在MMD基础上改进了公式,用于计算源域内类间距离均值差异并求和:
其数学表达式:
C为源域内类别,MMD(xi)为某一被试的类内间距,Ds对应的便是源域,ns对应的是单源域内的n个样本,f便是样本对应的映射函数;因为其是无穷维的,无法直接在原始空间中求解,故对式子进行平方,化简得到内积并利用核函数表达求解。其理解为单源域内的样本分布分别映射到再生希尔伯特空间中的对应的点,这样通过两个点的内积表示这两个分布的距离,最后求出距离和。
以传统迁移学习为基础,首先使用源域内类间均值和对不同的源域进行筛选后,再进行迁移学习并分类识别准确率,使用Pearson函数对结果进行相关性检验得到0.61的相关系数,属于显著相关,类内距离越大准确率相对越高。
所述的步骤2中,源域切分选取分析并选取Copula函数进行参数估计,具体步骤为:
2-1.每一被试每次实验的不同情绪类别中,分时段将一次实验按照标签分割成15个片段,为方便作为边缘分布进行拟合,将每一分段求取均值,目标域处理时将整个目标域片段求取均值进行相似度测量。
2-2.根据经验分布函数核分布估计近似总体分布类型,可以得到不同被试的脑电情绪分布图像尾部是不对称的,那么选择Archimedean-Copula对跨被试脑电情绪信号分布进行描述。
2-3.根据经验Copula函数与Copula函数的欧式距离进行度量,其距离越小表示Copula函数拟合程度越好。
Archimedean-Copula函数中Frank-Copula距离为0.0467最小,故选取其进行建模。
所述的步骤3中,Kendall相关系数τ是对定类变量的统计,用于反映分类变量相关性的指标,适用于两个分类变量均为有序分类的情况,尤其针对脑电信号的分类。
其数学表达式:
其中(xi-xj),i,j=1,2,...,d是观测数据,sign是符号函数,τ值越大,变量间相关性越显著。
在所述的步骤4中,为避免特征失真,并定量评估边缘分布和条件分布的重要性,首先为应对消除退化特征,原始数据在Grassmann流形空间中学习了流形特征泛函g(.) 并引用了测地线流核(GFK)促进其域适应,通过动态分布对齐定量评价边缘分布和条件分布在域适应中的重要性。
本发明有益效果如下:
针对脑电信号迁移学习中跨学科情感识别的准确性不可避免地下降是由于源域中某些数据的负迁移造成的问题,提出了一种新的方法来动态选择适合迁移学习的数据,并消除可能导致负迁移的源域数据;以情绪脑电信号作为特征提取对象,在流形嵌入分布对齐的方法进行改进,基于Copula函数和改进的MMD距离方法进行域相似性选择。切分每一源域的每一类次的的数据,通过非线性相似性分析找到与目标域更相近的源域并叠加单域内的类间间距,很大程度上筛选剔除了可能导致负迁移的数据,理论上该方法提高了情感分类的准确率,并极大地减少了计算机运算时间。
附图说明
图1为部分分类结果与源域中类内距离和的相关图像;
图2为部分跨被试的频率直方图对比;
图3为部分同被试不同时段的频率直方图对比;
图4为基于域相似性选择的流程图。
具体实施方式
下面结合具体实施例对本发明进一步说明。以下描述仅作为示范和解释,并不对本发明作任何形式上的限制。
实施例1
本文使用的数据集为上海交通大学吕宝粮教授所带领的BCMI实验室所提供的SEED 数据集,实验选择了15个中国电影片段作为积极、中性和负面情绪的刺激,每次实验共有 15次试验,每个片段前有5秒提示,片段后45秒用于自我评估,15秒用于休息。
一种基于域相似性脑电跨被试源域选择方法,包括以下步骤:
步骤1.使用SEED数据集,对采集的脑电信号降采样至200Hz,为进一步过滤噪声、移除伪迹,信号经过了0-75Hz的带通滤波器,提取微分熵特征,根据改进的MMD公式求出每一被试内的类间间距MMD(xi)并给出置信度,置信区间为[0,1]。
步骤2.每一被试每次实验的不同情绪类别中,分时段将一次实验按照标签分割成15个片段,将每一分段求取均值,而在目标域处理时将整个目标域片段求取均值进行相似度测量。选择Archimedean-Copula对跨被试脑电情绪信号分布进行描述,其分别包含以下三种模型: Gumbel-Copula、Clayton-Copula和Frank-Copula。对三种函数参数值进行求解,采用留一法计算参数值,取所有参数的平均:
根据经验Copula函数与Copula函数的欧式距离d2进行度量,其距离越小表示Copula函数拟合程度越好:
步骤3.计算Frank-Copula函数的Kendall秩相关系数并叠加步骤1的置信度,设置阈值为1.5来选取部分的源域作为迁移对象进行迁移学习;
步骤4.输入特定参数,将源域与目标域映射到流形空间进行分布对齐,输出分类器,更新目标域软标签最后返回分类器输出分类准确度。
所述的步骤1中,如图1所示,以传统迁移学习为基础,首先使用源域内类间间距和对不同源域进行筛选后,再进行迁移学习并分类识别准确率,使用Pearson函数对结果进行相关性检验得到0.61的相关系数,属于显著相关,类间距离越大准确率相对越高。
所述的步骤2中,如图2、3所示,针对不同被试,其频率直方图肉眼观察相比同被试的不同数据相比差异性更加明显,通过对不同域的偏度、峰度以及正态性检验显然不符合正态分布,需要进一步确定其分布类型并筛选出合适的Copula函数。
对Copula函数进行参数估计,对备选Copula函数中的未知参数进行估计。常用的参数估计方法有极大似然估计法(ML估计)、分步估计法(IFM估计)和半参数估计法(CML估计),其中半参数估计(CML估计)又分为基于经验分布函数的标准极大似然估计和基于非参数核密度的极大似然估计。本文采用核分布估计,从结果可以看出,Copula函数的参数估计值均在参数取值范围之内。而根据经验Copula函数与Copula函数的欧式距离可以看出Frank- Copula拟合的效果最好。
所述的步骤3中,选用Kendall相关系数作为相关性估计值叠加源域内类间间距进行源域筛选,具体步骤为:
3-1.将Copula参数估计值代入Kendall相关系数方程进行求解;
3-2.得到的结果加和步骤1中的源域内类间间距的结果,对综合进行倒叙排序;
3-3.选取阈值为1.5以上的数据作为数据迁移学习的源域。
在所述的步骤4中,基于迁移学习的方法,将源域和目标域投影到流形空间进行分布对齐,具体步骤为:
4-1.首先使用20维子空间对域进行建模,然后嵌入到Grassmann流形空间中,源域和目标域分别投影到PCA子空间中;
4-2.每个子空间可以看作流形空间的一个点,通过测地流消除域位移;
4-3.通过计算边缘A距离,记作dm,而条件分布之间A距离记作dc,则通过上述公式对μ值进行自适应计算,进而平衡条件分布和边缘分布;
4-4.根据结构风险最小化原则和动态分布对齐总结损失函数,进而输出分类器得到分类准确度。
在源域选择中不同源域数量对分类准确度的影响如图3所示,可以看到在阈值不变的情况下,扩充源域数据对每个目标被试也有这明显准确率的提升,但是相应的计算周期会明显增加。
全部工作的流程图如图4所示,这里以15个受试者为实验对象,每个受试者3次实验,每次实验记录62个通道,根据国际10-20标准系统记录,之后对采集的信号进行预处理,将不同频率成分提取出来。以1s为时间窗长度对原数据进行切割,并在每个1s的片段上,分别在五个频段(δ:1-3Hz,θ:4-7Hz,α:8-13Hz,β:14-30Hz,γ:31-50Hz)计算微分熵特征。
Claims (5)
1.一种基于域相似性脑电跨被试源域选择方法,其特征在于,包括以下步骤:
步骤1.首先根据改进的MMD公式求出每一源域被试内的类间间距MMD(xi)并给出置信度;
步骤2.为能确定使用的Copula函数类型,方便比较源域与目标域的分布,对所选取的源域数据进行切分,每一被试每次实验的不同情绪类别中,将每一类情绪切分出来并与目标域整体均值构造联合分布,选取分析二者核分布估计选取Copula函数中的Frank-Copula函数并参数估计,求得参数估计值;
步骤3.计算Frank-Copula函数的Kendall秩相关系数并叠加步骤1的置信度,设置阈值为1.5来选取部分的源域作为迁移对象进行迁移学习;
步骤4.对分布平衡进行自适应调节以平衡条件分布和边缘分布,然后更新目标域软标签,最后返回分类器输出分类准确度。
2.根据权利要求1所述的一种基于域相似性脑电跨被试源域选择方法,其特征在于,所述的步骤1中,MMD距离(Maximum mean discrepancy)是度量在再生核希尔伯特空间中两个分布的距离,在脑电情绪识别源域选择中,用于计算源域内类间距离均值差异并求和;其数学表达式:
其中:C为源域内类别,MMD(xi)为某一被试的类内间距,Ds对应的便是源域,ns对应的是单源域内的n个样本,f便是样本对应的映射函数;
针对SEED数据集,以传统迁移学习为基础,使用源域内类间均值和对不同的源域进行筛选后,再进行迁移学习并分类识别准确率,使用Pearson函数对结果进行相关性检验得到0.61的相关系数,属于显著相关,类内距离越大准确率相对越高。
3.根据权利要求1所述的一种基于域相似性脑电跨被试源域选择方法,其特征在于,所述的步骤2中,源域切分选取分析并选取Copula函数进行参数估计,具体步骤为:
步骤2-1.分时段将一次实验按照标签分割成15个片段,为方便作为边缘分布进行拟合,将每一分段求取均值,目标域处理时将整个目标域片段求取均值进行相似度测量;
步骤2-2.根据经验分布函数核分布估计近似总体分布类型,得到不同被试的脑电情绪分布图像尾部是不对称的,选择Archimedean-Copula对跨被试脑电情绪信号分布进行描述;
步骤2-3.根据经验Copula函数与Copula函数的欧式距离进行度量,其距离越小表示Copula函数拟合程度越好,选取Frank-Copula距离最小的并进行建模。
5.根据权利要求1所述的一种基于域相似性脑电跨被试源域选择方法,其特征在于,在所述的步骤4中,为避免特征失真,并定量评估边缘分布和条件分布的重要性,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210620691.XA CN115034296A (zh) | 2022-06-02 | 2022-06-02 | 一种基于域相似性脑电跨被试源域选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210620691.XA CN115034296A (zh) | 2022-06-02 | 2022-06-02 | 一种基于域相似性脑电跨被试源域选择方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115034296A true CN115034296A (zh) | 2022-09-09 |
Family
ID=83122801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210620691.XA Pending CN115034296A (zh) | 2022-06-02 | 2022-06-02 | 一种基于域相似性脑电跨被试源域选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115034296A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115670463A (zh) * | 2022-10-26 | 2023-02-03 | 华南理工大学 | 一种基于脑电情绪神经反馈信号的抑郁检测系统 |
CN117017288A (zh) * | 2023-06-14 | 2023-11-10 | 西南交通大学 | 跨被试情绪识别模型及其训练方法、情绪识别方法、设备 |
-
2022
- 2022-06-02 CN CN202210620691.XA patent/CN115034296A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115670463A (zh) * | 2022-10-26 | 2023-02-03 | 华南理工大学 | 一种基于脑电情绪神经反馈信号的抑郁检测系统 |
CN117017288A (zh) * | 2023-06-14 | 2023-11-10 | 西南交通大学 | 跨被试情绪识别模型及其训练方法、情绪识别方法、设备 |
CN117017288B (zh) * | 2023-06-14 | 2024-03-19 | 西南交通大学 | 跨被试情绪识别模型及其训练方法、情绪识别方法、设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10303986B2 (en) | Automated measurement of brain injury indices using brain CT images, injury data, and machine learning | |
CN110236543B (zh) | 基于深度学习的阿尔茨海默病多分类诊断系统 | |
CN115034296A (zh) | 一种基于域相似性脑电跨被试源域选择方法 | |
CN108959895B (zh) | 一种基于卷积神经网络的脑电信号eeg身份识别方法 | |
CN111832416A (zh) | 一种基于增强卷积神经网络的运动想象脑电信号识别方法 | |
CN108537751B (zh) | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 | |
Zhu et al. | Segmentation assisted food classification for dietary assessment | |
CN112036467A (zh) | 基于多尺度注意力神经网络的异常心音识别方法及装置 | |
CN112465905A (zh) | 基于深度学习的磁共振成像数据的特征脑区定位方法 | |
CN113662560B (zh) | 发作间期痫样放电的检测方法、存储介质和设备 | |
Li et al. | An improved sparse representation over learned dictionary method for seizure detection | |
CN111832431A (zh) | 一种基于cnn的情绪脑电分类方法 | |
CN107045624B (zh) | 一种基于最大加权团的脑电信号预处理与分类方法 | |
Setyawan et al. | MRI image segmentation using morphological enhancement and noise removal based on fuzzy C-means | |
Ganeshbabu | Glaucoma image classification using discrete orthogonal stockwell transform | |
CN111783887A (zh) | 基于fMRI小世界脑网络计算机分类测谎识别方法 | |
CN114983343A (zh) | 睡眠分期方法及其系统、计算机可读存储介质、电子设备 | |
Wiling | Locust Genetic Image Processing Classification Model-Based Brain Tumor Classification in MRI Images for Early Diagnosis | |
Altaei et al. | Brain tumor detection and classification using SIFT in MRI images | |
CN114881105A (zh) | 基于transformer模型和对比学习的睡眠分期方法及系统 | |
CN112438741B (zh) | 一种基于脑电特征迁移学习的驾驶状态检测方法及系统 | |
Malviya | Tumor detection in MRI images using modified multi-level Otsu Thresholding (MLOT) and cross-correlation of principle components | |
Afshar et al. | Age prediction based on brain mri images using extreme learning machine | |
Mousavian et al. | Depression detection using atlas from fMRI images | |
Neelakanteswara et al. | Computer based advanced approach for MRI image classification using neural network with the texture features extracted |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |