CN117708681A - 基于结构图指导的个性化联邦脑电信号分类方法及系统 - Google Patents
基于结构图指导的个性化联邦脑电信号分类方法及系统 Download PDFInfo
- Publication number
- CN117708681A CN117708681A CN202410168853.XA CN202410168853A CN117708681A CN 117708681 A CN117708681 A CN 117708681A CN 202410168853 A CN202410168853 A CN 202410168853A CN 117708681 A CN117708681 A CN 117708681A
- Authority
- CN
- China
- Prior art keywords
- structure diagram
- local
- personalized
- global
- electroencephalogram
- 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.)
- Granted
Links
- 238000010586 diagram Methods 0.000 title claims abstract description 158
- 238000000034 method Methods 0.000 title claims abstract description 110
- 230000002776 aggregation Effects 0.000 claims abstract description 14
- 238000004220 aggregation Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 30
- 210000004556 brain Anatomy 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 description 9
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Psychology (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于结构图指导的个性化联邦脑电信号分类方法及系统,涉及脑电信号识别技术领域,包括客户端采集脑电信号数据并进行预处理,服务器初始化全局模型参数并下发给客户端,初始化本地局部模型,进行客户端本地局部模型优化;构建最终损失函数,更新局部结构图和本地局部模型参数上传至服务器,更新全局结构图;进行归一化处理,计算相似度和本地局部模型的聚合权重得到全局模型参数,生成个性化模型参数;得到个性化模型。本发明解决客户端之间数据异构问题,提高全局模型的泛化能力。根据相似度计算各客户端个性化权重参数,生成客户端个性化模型参数,提升各局部模型的分类性能。
Description
技术领域
本发明涉及脑电信号识别技术领域,特别是基于结构图指导的个性化联邦脑电信号分类方法及系统。
背景技术
脑电信号(Electroencephalogram,EEG)作为一种非侵入性的神经成像技术,在脑-机接口(Brain Computer Interface,BCI)中被广泛用于记录大脑活动。基于脑电信号的BCI可用于人脑和外部电子设备之间的直接通信,在神经康复工程方面展现出巨大的前景。
目前,深度学习算法在脑电信号解码方面取得了巨大成就,其性能在很大程度上依赖于充足的EEG训练数据。然而,收集大量的EEG数据耗时又费力,且对用户不友好。为了解决这个问题,一种直接的方法是从其他客户(机构或受试者)收集EEG数据。然而,由于担心隐私泄露问题,客户往往不愿意给出他们自己的EEG数据。为了解决该问题,研究人员利用联邦学习将分布在不同客户端的EEG数据进行分布式训练,以构建一个通用的全局深度学习模型。尽管在一定程度上实现了用户隐私保护,但由于受试者之间EEG数据的高度异构型,仅针对全局模型进行优化可能会导致本地客户端的泛化能力较差。
发明内容
鉴于现有的基于结构图指导的个性化联邦脑电信号分类方法存在的问题,提出了本发明。因此,本发明所要解决的问题在于如何提供一种基于结构图指导的个性化联邦脑电信号分类方法及系统。
为解决上述技术问题,本发明提供如下技术方案:
第一方面,本发明提供了一种基于结构图指导的个性化联邦脑电信号分类方法,其包括,多个客户端各自采集脑电信号数据并进行预处理,服务器初始化全局模型参数并下发给客户端,初始化本地局部模型,进行客户端本地局部模型优化;构建最终损失函数,更新局部结构图和本地局部模型参数上传至服务器,更新全局结构图;对局部结构图和全局结构图进行归一化处理,计算相似度和本地局部模型的聚合权重参数得到全局模型参数,计算客户端的个性化权重参数,生成个性化模型参数;将全局结构图和个性化模型参数下发至客户端得到个性化模型,进行脑电信号分类。
作为本发明所述基于结构图指导的个性化联邦脑电信号分类方法的一种优选方案,其中:所述预处理包括带通滤波、伪影去除和选取时间段和频段,得到脑电信号数据,其中,/>表示第/>个客户端的第/>个脑电信号数据,/>表示c×d维的空间,/>分别表示脑电信号的通道数和采样点数,/>表示/>的标签。
作为本发明所述基于结构图指导的个性化联邦脑电信号分类方法的一种优选方案,其中:局部结构图和全局结构图相关计算公式如下:局部客户端结构图,第个客户端结构图中第/>类中心点/>表示如下:
;
式中,表示为第/>个客户端第/>类的脑电信号数据个数,/>为第/>个客户端的本地局部模型学习到的深度脑电信号特征,/>表示指示函数,/>为/>的标签;
对各个客户端结构图平均,得到全局结构图,如下:
;
式中,,/>表示全局结构图第/>类中心。
作为本发明所述基于结构图指导的个性化联邦脑电信号分类方法的一种优选方案,其中:所述最终损失函数包括脑电信号特征和对应类中心的中心距离损失、本地结构图与全局结构图之间的对齐损失和网络预测输出与真实标签之间的分类损失,具体如下,脑电信号特征和对应类中心的中心距离损失的计算方式如下:
;
式中,为判别特征学习正则化项,即中心距离损失;/>是客户端本地脑电信号数据的分类个数,使不同类中心在学习过程中保持相互远离,本地类中心点/>更新方式如下:
;
式中,为第/>次迭代的第/>个客户端结构图中第/>类中心点,/>表示第/>次迭代的平均中心点,/>表示第/>次迭代第/>个客户端的第/>类中心点,/>为平衡参数,取值0.002;本地结构图与全局结构图之间的对齐损失的计算方式如下:
;
式中,为结构对齐正则化项,即对齐损失;网络预测输出与真实标签之间的分类损失计算方式如下:
;
式中,表示第/>个客户端本地样本/>的真实标签,/>表示网络模型;将客户端的中心距离损失/>、对齐损失/>和分类损失/>加权求和形成最终损失函数,相关计算公式如下:
;
式中,和/>分别表示中心距离损失和对齐损失的系数,分别取0.01和1。
作为本发明所述基于结构图指导的个性化联邦脑电信号分类方法的一种优选方案,其中:所述归一化处理包括将局部结构图和全局结构图进行归一化,相关计算公式如下:
;
其中,为归一化处理后的局部结构图,/>为归一化处理后的全局结构图,,/>,/>;全局结构图和第/>个局部结构图的相似度/>计算方式如下:
;
式中,表示计算Kullback-Leibler差异,/>表示期望计算;第/>个本地局部模型的聚合权重参数/>计算如下:
;
其中,,/>是超参数,取10。
作为本发明所述基于结构图指导的个性化联邦脑电信号分类方法的一种优选方案,其中:所述全局模型参数计算如下:
;
其中,表示第/>轮的全局模型参数,/>表示第/>个客户端在第/>次迭代时的本地局部模型参数。
作为本发明所述基于结构图指导的个性化联邦脑电信号分类方法的一种优选方案,其中:所述个性化权重参数通过全局结构图和局部结构图的相似度进一步计算得出,相关计算公式如下,第个客户端的个性化权重参数/>为:
;
第个客户端的个性化模型参数/>计算如下:
;
式中,用于在第/>通信轮开始时对第/>个客户端本地模型进行初始化;将全局结构图和个性化模型参数下发至每个客户端,直到得到稳定的个性化网络模型。
第二方面,本发明提供了一种基于结构图指导的个性化联邦脑电信号分类系统,其包括:预处理模块,用于多个客户端各自采集脑电信号数据并进行预处理,服务器初始化全局模型参数并下发给客户端,初始化本地局部模型,进行客户端本地局部模型优化;构建模块,用于构建最终损失函数,更新局部结构图和本地局部模型参数上传至服务器,更新全局结构图;计算处理模块,用于对局部结构图和全局结构图进行归一化处理,计算相似度和本地局部模型的聚合权重参数得到全局模型参数,计算客户端的个性化权重参数,生成个性化模型参数;分类模块,用于将全局结构图和个性化模型参数下发至客户端得到个性化模型,进行脑电信号分类。
第三方面,本发明提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其中:所述处理器执行所述计算机程序时实现基于结构图指导的个性化联邦脑电信号分类方法的的步骤。
第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,其中:所述计算机程序被处理器执行时实现上基于结构图指导的个性化联邦脑电信号分类方法的的步骤。
本发明有益效果为引入本地结构图和全局结构图构造EEG特征和类中心间的中心距离损失,本地与全局结构图间的对齐损失,与分类损失加权求和优化本地模型,解决客户端之间数据异构问题。引入选择性局部模型聚合方案,通过归一化全局结构图和局部结构图计算相似度度量,根据相似性度量计算各局部模型的聚合权重,加权求和得到全局模型,提高全局模型的泛化能力。引入自适应模型个性化方案,根据局部结构图和全局结构图之间的相似度度量计算各客户端个性化权重参数,生成各客户端个性化模型参数,提升各局部模型的分类性能。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍,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它的附图。
图1为基于结构图指导的个性化联邦脑电信号分类方法的流程图。
图2为基于结构图指导的个性化联邦脑电信号分类方法的框架图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加浅显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
参照图1和图2,为本发明第一个实施例,该实施例提供了一种基于结构图指导的个性化联邦脑电信号分类方法,包括:
S1:多个客户端各自采集脑电信号数据并进行预处理,服务器初始化全局模型参数并下发给客户端,初始化本地局部模型,进行客户端本地局部模型优化。
具体的,个客户端,每个客户端采集各自私有EEG数据。客户端对各自的EEG数据进行预处理,包括带通滤波和伪影去除、选取特定时间段和频段,得到各自的EEG数据,其中/>表示第/>个客户端的第/>个EEG数据,/>表示c×d维的空间,/>分别表示脑电信号的通道数和采样点数,/>表示/>的标签。服务器初始化全局网络模型参数并下发给每个客户端。第/>个客户端结构图中第/>类中心点/>表示如下:
;
式中,表示为第/>个客户端第/>类的脑电信号数据个数,/>为第/>个客户端的本地局部模型学习到的深度脑电信号特征,/>表示指示函数,/>为/>的标签;对各个客户端结构图平均,得到全局结构图,如下:
;
式中,,/>表示全局结构图第/>类中心。
S2:构建最终损失函数,更新局部结构图和本地局部模型参数上传至服务器,更新全局结构图。
具体的,局部客户端利用模型输出的本地脑电信号特征计算类中心和所有类中心用于构造本地结构图,计算脑电信号特征和对应类中心的中心距离损失,本地结构图与全局结构图之间的对齐损失,以及网络预测输出与真实标签之间的分类损失,加权求和形成最终损失函数,利用反向传播算法优化本地模型,更新本地结构图以及模型参数。
脑电信号特征和对应类中心的中心距离损失的计算方式如下:
;
式中,为判别特征学习正则化项,即中心距离损失;/>是客户端本地脑电信号数据的分类个数,使不同类中心在学习过程中保持相互远离,本地类中心点/>更新方式如下:
;
式中,为第/>次迭代的第/>个客户端结构图中第/>类中心点,/>表示第/>次迭代的平均中心点,/>表示第/>次迭代第/>个客户端的第/>类中心点,/>为平衡参数,取值0.002;本地结构图与全局结构图之间的对齐损失的计算方式如下:
;
式中,为结构对齐正则化项,即对齐损失;网络预测输出与真实标签之间的分类损失计算方式如下:
;
式中,表示第/>个客户端本地样本/>的真实标签,/>表示网络模型;将客户端的中心距离损失/>、对齐损失/>和分类损失/>加权求和形成最终损失函数,相关计算公式如下:
;
式中,和/>分别表示中心距离损失和对齐损失的系数,分别取0.01和1。
将客户端更新后的本地网络模型参数和结构图上传到服务器,服务器平均所有本地结构图以构造全局结构图,更新全局结构图。
S3:对局部结构图和全局结构图进行归一化处理,计算相似度和本地局部模型的聚合权重参数得到全局模型参数,计算客户端的个性化权重参数,生成个性化模型参数。
具体的,对各个客户端的本地局部结构图和全局结构图进行归一化,计算全局和本地结构图之间的相似度,计算各局部模型的聚合权重,加权求和得到更新后的全局模型参数。其中,本地局部结构图和全局结构图进行归一化计算如下:
;
其中,为归一化处理后的局部结构图,/>为归一化处理后的全局结构图,,/>,/>;全局结构图和第/>个局部结构图的相似度/>计算方式如下:
;
式中,表示计算Kullback-Leibler差异,/>表示期望计算;第/>个本地局部模型的聚合权重参数/>计算如下:
;
其中,,/>是超参数,取10;全局模型参数计算如下:
;
其中,表示第/>轮的全局模型参数,/>表示第/>个客户端在第/>次迭代时的本地局部模型参数。
利用相似度计算每个客户端的个性化权重参数,使用滑动平均策略生成每个客户端的个性化模型参数。第个客户端的个性化权重参数/>为:
;
第个客户端的个性化模型参数/>计算如下:
;
式中,用于在第/>通信轮开始时对第/>个客户端本地模型进行初始化。
S4:将全局结构图和个性化模型参数下发至客户端得到个性化模型,进行脑电信号分类。
具体的,将全局结构图和个性化模型参数下发至每个客户端,重复步骤直到得到稳定的个性化网络模型,进行脑电信号分类。
进一步的,本实施例还提供一种基于结构图指导的个性化联邦脑电信号分类系统,包括:预处理模块,用于多个客户端各自采集脑电信号数据并进行预处理,服务器初始化全局模型参数并下发给客户端,初始化本地局部模型,进行客户端本地局部模型优化;构建模块,用于构建最终损失函数,更新局部结构图和本地局部模型参数上传至服务器,更新全局结构图;计算处理模块,用于对局部结构图和全局结构图进行归一化处理,计算相似度和本地局部模型的聚合权重参数得到全局模型参数,计算客户端的个性化权重参数,生成个性化模型参数;分类模块,用于将全局结构图和个性化模型参数下发至客户端得到个性化模型,进行脑电信号分类。
本实施例还提供一种计算机设备,适用于基于结构图指导的个性化联邦脑电信号分类方法的情况,包括:存储器和处理器;存储器用于存储计算机可执行指令,处理器用于执行计算机可执行指令,实现如上述实施例提出的本发明实施例所述方法的全部或部分步骤。
本实施例还提供一种存储介质,其上存储有计算机程序,计算机程序被处理器执行时,执行上述实施例的任一可选的实现方式中的方法。其中,存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static RandomAccess Memory,简称SRAM),电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
本实施例提出的存储介质与上述实施例提出的数据存储方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述实施例,并且本实施例与上述实施例具有相同的有益效果。
由上可知,本方法引入本地结构图和全局结构图。构造EEG特征和类中心间的中心距离损失,本地与全局结构图间的对齐损失,与分类损失加权求和优化本地模型,从而解决客户端之间数据异构问题。引入选择性局部模型聚合方案,通过归一化全局结构图和局部结构图并计算它们之间的相似性度量,根据相似性度量计算各局部模型的聚合权重,加权求和得到全局模型,提高全局模型的泛化能力。引入自适应模型个性化方案,根据局部结构图和全局结构图之间的相似度度量计算各客户端个性化权重参数,生成各客户端个性化模型参数。提升各局部模型的分类性能。
实施例2
参照表1,为本发明第二个实施例,为了验证本发明的有益效果,通过经济效益计算和仿真实验进行科学论证。
在三个公开脑电信号数据集上进行评价,
1)数据集1 Dataset IIIa in BCI Competition III;
2)数据集2 Dataset IIa in BCI Competition IV;
3)数据集3 High Gamma Dataset。
采用5个分类评价指标Accuracy,Kappa,Precision,Recall以及F1。本方法(SG-pFed)与本地客户端单独学习方法(Local Train)的平均分类结果对比如表1所示。
表1平均分类结果对比表
由表可知,对于数据集1,本方法在分类指标Accuracy、Kappa、Precision、Recall和F1方面优于本地客户端单独学习方法,分别高出4.01%、5.73%、3.64%、4.74%和5.05%。对于数据集2,本方法在分类指标Accuracy、Kappa、Precision、Recall和F1方面相对于本地客户端单独学习方法分别增加了2.26%、3.22%、5.01%、2.29%和2.39%。对于数据集3,本方法在分类指标Accuracy、Kappa、Precision、Recall和F1方面相对于本地客户端单独学习方法分别增加了8.67%、11.64%、6.74%、8.73%和9.15%。所有指标的明显改进验证了所提出框架的有效性和进步。
由上可知,本方法引入本地结构图和全局结构图。构造EEG特征和类中心间的中心距离损失,本地与全局结构图间的对齐损失,与分类损失加权求和优化本地模型,从而解决客户端之间数据异构问题。引入选择性局部模型聚合方案,通过归一化全局结构图和局部结构图并计算它们之间的相似性度量,根据相似性度量计算各局部模型的聚合权重,加权求和得到全局模型,提高全局模型的泛化能力。引入自适应模型个性化方案,根据局部结构图和全局结构图之间的相似度度量计算各客户端个性化权重参数,生成各客户端个性化模型参数。提升各局部模型的分类性能。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.基于结构图指导的个性化联邦脑电信号分类方法,其特征在于:包括,
多个客户端各自采集脑电信号数据并进行预处理,服务器初始化全局模型参数并下发给客户端,初始化本地局部模型,进行客户端本地局部模型优化;
构建最终损失函数,更新局部结构图和本地局部模型参数上传至服务器,更新全局结构图;
对局部结构图和全局结构图进行归一化处理,计算相似度和本地局部模型的聚合权重参数得到全局模型参数,计算客户端的个性化权重参数,生成个性化模型参数;
将全局结构图和个性化模型参数下发至客户端得到个性化模型,进行脑电信号分类。
2.如权利要求1所述的基于结构图指导的个性化联邦脑电信号分类方法,其特征在于:所述预处理包括带通滤波、伪影去除和选取时间段和频段,得到脑电信号数据,其中,/>表示第/>个客户端的第/>个脑电信号数据,/>表示c×d维的空间,/>分别表示脑电信号的通道数和采样点数,/>表示/>的标签。
3.如权利要求2所述的基于结构图指导的个性化联邦脑电信号分类方法,其特征在于:局部结构图和全局结构图相关计算公式如下:
局部客户端结构图,第个客户端结构图中第/>类中心点/>表示如下:
;
式中,表示为第/>个客户端第/>类的脑电信号数据个数,/>为第/>个客户端的本地局部模型学习到的深度脑电信号特征,/>表示指示函数,/>为/>的标签;
对各个客户端结构图平均,得到全局结构图,如下:
;
式中,,/>表示全局结构图第/>类中心。
4.如权利要求3所述的基于结构图指导的个性化联邦脑电信号分类方法,其特征在于:所述最终损失函数包括脑电信号特征和对应类中心的中心距离损失、本地结构图与全局结构图之间的对齐损失和网络预测输出与真实标签之间的分类损失,具体如下,脑电信号特征和对应类中心的中心距离损失的计算方式如下:
;
式中,为判别特征学习正则化项,即中心距离损失;/>是客户端本地脑电信号数据的分类个数,使不同类中心在学习过程中保持相互远离,本地类中心点/>更新方式如下:
;
式中,为第/>次迭代的第/>个客户端结构图中第/>类中心点,/>表示第/>次迭代的平均中心点,/>表示第/>次迭代第/>个客户端的第/>类中心点,/>为平衡参数,取值0.002;
本地结构图与全局结构图之间的对齐损失的计算方式如下:
;
式中,为结构对齐正则化项,即对齐损失;
网络预测输出与真实标签之间的分类损失计算方式如下:
;
式中,表示第/>个客户端本地样本/>的真实标签,/>表示网络模型;
将客户端的中心距离损失、对齐损失/>和分类损失/>加权求和形成最终损失函数,相关计算公式如下:
;
式中,和/>分别表示中心距离损失和对齐损失的系数,分别取0.01和1。
5.如权利要求4所述的基于结构图指导的个性化联邦脑电信号分类方法,其特征在于:所述归一化处理包括将局部结构图和全局结构图进行归一化,相关计算公式如下:
;
其中,为归一化处理后的局部结构图,/>为归一化处理后的全局结构图,,/>,/>;
全局结构图和第个局部结构图的相似度/>计算方式如下:
;
式中,表示计算Kullback-Leibler差异,/>表示期望计算;
第个本地局部模型的聚合权重参数/>计算如下:
;
其中,,/>是超参数,取10。
6.如权利要求5所述的基于结构图指导的个性化联邦脑电信号分类方法,其特征在于:所述全局模型参数计算如下:
;
其中,表示第/>轮的全局模型参数,/>表示第/>个客户端在第/>次迭代时的本地局部模型参数。
7.如权利要求6所述的基于结构图指导的个性化联邦脑电信号分类方法,其特征在于:所述个性化权重参数通过全局结构图和局部结构图的相似度进一步计算得出,相关计算公式如下,第个客户端的个性化权重参数/>为:
;
第个客户端的个性化模型参数/>计算如下:
;
式中,用于在第/>通信轮开始时对第/>个客户端本地模型进行初始化;
将全局结构图和个性化模型参数下发至每个客户端,直到得到稳定的个性化网络模型。
8.一种基于结构图指导的个性化联邦脑电信号分类系统,基于权利要求1~7任一所述的基于结构图指导的个性化联邦脑电信号分类方法,其特征在于:包括,
预处理模块,用于多个客户端各自采集脑电信号数据并进行预处理,服务器初始化全局模型参数并下发给客户端,初始化本地局部模型,进行客户端本地局部模型优化;
构建模块,用于构建最终损失函数,更新局部结构图和本地局部模型参数上传至服务器,更新全局结构图;
计算处理模块,用于对局部结构图和全局结构图进行归一化处理,计算相似度和本地局部模型的聚合权重参数得到全局模型参数,计算客户端的个性化权重参数,生成个性化模型参数;
分类模块,用于将全局结构图和个性化模型参数下发至客户端得到个性化模型,进行脑电信号分类。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于:所述处理器执行所述计算机程序时实现权利要求1~7任一所述基于结构图指导的个性化联邦脑电信号分类方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1~7任一所述基于结构图指导的个性化联邦脑电信号分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410168853.XA CN117708681B (zh) | 2024-02-06 | 2024-02-06 | 基于结构图指导的个性化联邦脑电信号分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410168853.XA CN117708681B (zh) | 2024-02-06 | 2024-02-06 | 基于结构图指导的个性化联邦脑电信号分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117708681A true CN117708681A (zh) | 2024-03-15 |
CN117708681B CN117708681B (zh) | 2024-04-26 |
Family
ID=90161119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410168853.XA Active CN117708681B (zh) | 2024-02-06 | 2024-02-06 | 基于结构图指导的个性化联邦脑电信号分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117708681B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020229684A1 (en) * | 2019-05-16 | 2020-11-19 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Concepts for federated learning, client classification and training data similarity measurement |
CN113962988A (zh) * | 2021-12-08 | 2022-01-21 | 东南大学 | 基于联邦学习的电力巡检图像异常检测方法及系统 |
CN114048780A (zh) * | 2021-11-15 | 2022-02-15 | 中国科学院深圳先进技术研究院 | 基于联邦学习的脑电信号分类模型训练方法及装置 |
CN114580663A (zh) * | 2022-03-01 | 2022-06-03 | 浙江大学 | 面向数据非独立同分布场景的联邦学习方法及系统 |
CN114580662A (zh) * | 2022-02-28 | 2022-06-03 | 浙江大学 | 基于锚点聚合的联邦学习方法和系统 |
CN115344883A (zh) * | 2022-06-29 | 2022-11-15 | 上海工程技术大学 | 一种用于处理不平衡数据的个性化联邦学习方法和装置 |
CN115413346A (zh) * | 2020-02-03 | 2022-11-29 | 强力交易投资组合2018有限公司 | 人工智能选择和配置 |
CN115511109A (zh) * | 2022-09-30 | 2022-12-23 | 中南大学 | 一种高泛化性的个性化联邦学习实现方法 |
CN116244484A (zh) * | 2023-05-11 | 2023-06-09 | 山东大学 | 一种面向不平衡数据的联邦跨模态检索方法及系统 |
CN116542296A (zh) * | 2023-05-04 | 2023-08-04 | 北京芯联心科技发展有限公司 | 基于联邦学习的模型训练方法、装置及电子设备 |
CN116562366A (zh) * | 2023-05-06 | 2023-08-08 | 杭州电子科技大学 | 一种基于特征选择和特征对齐的联邦学习方法 |
CN116664930A (zh) * | 2023-05-29 | 2023-08-29 | 南京理工大学 | 基于自监督对比学习的个性化联邦学习图像分类方法及系统 |
CN116862024A (zh) * | 2023-07-21 | 2023-10-10 | 大连理工大学 | 基于聚类和知识蒸馏的可信个性化联邦学习方法和装置 |
CN116958656A (zh) * | 2023-07-03 | 2023-10-27 | 南京工业大学 | 一种基于结构对齐和伪标自纠正的联邦半监督医学图像诊断方法 |
US20230359868A1 (en) * | 2022-05-05 | 2023-11-09 | Alipay Labs (singapore) Pte. Ltd. | Federated learning method and apparatus based on graph neural network, and federated learning system |
CN117034074A (zh) * | 2023-07-03 | 2023-11-10 | 南京工业大学 | 一种基于客户端间结构匹配的联邦脑电信号分类方法 |
-
2024
- 2024-02-06 CN CN202410168853.XA patent/CN117708681B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020229684A1 (en) * | 2019-05-16 | 2020-11-19 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Concepts for federated learning, client classification and training data similarity measurement |
CN115413346A (zh) * | 2020-02-03 | 2022-11-29 | 强力交易投资组合2018有限公司 | 人工智能选择和配置 |
CN114048780A (zh) * | 2021-11-15 | 2022-02-15 | 中国科学院深圳先进技术研究院 | 基于联邦学习的脑电信号分类模型训练方法及装置 |
CN113962988A (zh) * | 2021-12-08 | 2022-01-21 | 东南大学 | 基于联邦学习的电力巡检图像异常检测方法及系统 |
CN114580662A (zh) * | 2022-02-28 | 2022-06-03 | 浙江大学 | 基于锚点聚合的联邦学习方法和系统 |
CN114580663A (zh) * | 2022-03-01 | 2022-06-03 | 浙江大学 | 面向数据非独立同分布场景的联邦学习方法及系统 |
US20230359868A1 (en) * | 2022-05-05 | 2023-11-09 | Alipay Labs (singapore) Pte. Ltd. | Federated learning method and apparatus based on graph neural network, and federated learning system |
CN115344883A (zh) * | 2022-06-29 | 2022-11-15 | 上海工程技术大学 | 一种用于处理不平衡数据的个性化联邦学习方法和装置 |
CN115511109A (zh) * | 2022-09-30 | 2022-12-23 | 中南大学 | 一种高泛化性的个性化联邦学习实现方法 |
CN116542296A (zh) * | 2023-05-04 | 2023-08-04 | 北京芯联心科技发展有限公司 | 基于联邦学习的模型训练方法、装置及电子设备 |
CN116562366A (zh) * | 2023-05-06 | 2023-08-08 | 杭州电子科技大学 | 一种基于特征选择和特征对齐的联邦学习方法 |
CN116244484A (zh) * | 2023-05-11 | 2023-06-09 | 山东大学 | 一种面向不平衡数据的联邦跨模态检索方法及系统 |
CN116664930A (zh) * | 2023-05-29 | 2023-08-29 | 南京理工大学 | 基于自监督对比学习的个性化联邦学习图像分类方法及系统 |
CN116958656A (zh) * | 2023-07-03 | 2023-10-27 | 南京工业大学 | 一种基于结构对齐和伪标自纠正的联邦半监督医学图像诊断方法 |
CN117034074A (zh) * | 2023-07-03 | 2023-11-10 | 南京工业大学 | 一种基于客户端间结构匹配的联邦脑电信号分类方法 |
CN116862024A (zh) * | 2023-07-21 | 2023-10-10 | 大连理工大学 | 基于聚类和知识蒸馏的可信个性化联邦学习方法和装置 |
Non-Patent Citations (4)
Title |
---|
GUANG HUA 等: "Deep fidelity in DNN watermarking: A study of backdoor watermarking for classification models", 《ELSEVIER》, vol. 144, 29 July 2023 (2023-07-29), pages 1 - 14 * |
彭锦佳 等: "基于异构卷积神经网络集成的无监督行人重识别方法", 《电子学报》, vol. 51, no. 10, 31 October 2023 (2023-10-31), pages 2902 - 2914 * |
彭锦佳 等: "面向隐私保护的联邦域泛化行人重识别方法", 《模式识别与人工智能》, vol. 36, no. 7, 31 July 2023 (2023-07-31), pages 634 - 646 * |
王域枫 等: "基于自适应多视角深度神经网络的脑电识别", 《计算机应用与软件》, vol. 41, no. 1, 31 January 2024 (2024-01-31), pages 97 - 104 * |
Also Published As
Publication number | Publication date |
---|---|
CN117708681B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109785928A (zh) | 诊疗方案推荐方法、装置及存储介质 | |
Wang et al. | An ECG signal denoising method using conditional generative adversarial net | |
CN107582037A (zh) | 基于脉搏波设计医疗产品的方法 | |
CN111990989A (zh) | 一种基于生成对抗及卷积循环网络的心电信号识别方法 | |
CN107203692A (zh) | 基于深度卷积神经网络的房颤检测的实现方法 | |
US9888866B2 (en) | System for extracting respiratory rates from a pulse oximeter | |
CN107239684A (zh) | 一种用于ecg身份识别的特征学习方法和系统 | |
CN112116448A (zh) | 一种面向三农客户画像的精准营销构建方法 | |
CN109559230A (zh) | 基于重叠社区发现算法的银行交易群体发现方法和系统 | |
Yu et al. | A recognition method of soybean leaf diseases based on an improved deep learning model | |
CN113344438A (zh) | 对贷中行为进行监控的贷款系统、监控方法、设备及介质 | |
CN116831594A (zh) | 一种基于迭代图卷积神经网络的癫痫脑电分类方法 | |
CN117708681B (zh) | 基于结构图指导的个性化联邦脑电信号分类方法及系统 | |
CN112215490B (zh) | 一种基于相关性系数改进K-means的电力负荷聚类分析方法 | |
CN107392149A (zh) | 一种人体心肺音实时盲分离方法及系统 | |
CN117034074A (zh) | 一种基于客户端间结构匹配的联邦脑电信号分类方法 | |
CN116541683A (zh) | 一种改进Xception网络的呼吸运动预测方法 | |
CN115100528A (zh) | 一种基于卷积神经网络的农作物病虫害识别方法 | |
CN113723519B (zh) | 基于对比学习的心电数据处理方法、装置及存储介质 | |
CN106910079A (zh) | 一种人群聚类的方法及装置 | |
CN110443374A (zh) | 一种资源信息处理方法、装置及设备 | |
CN113936328B (zh) | 一种面向智慧安防的智能图像识别方法 | |
CN117910025B (zh) | 一种金融服务数据安全存储保护方法 | |
Manimaran et al. | Reading Between the Leads: Local Lead-Attention Based Classification of Electrocardiogram Signals | |
CN116312810B (zh) | 基于超图神经场预测人脑兴奋性和抑制性连接的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |