一种分类器模型训练方法、装置、电子设备及存储介质

计算;推算;计数设备的制造及其应用技术1.本发明涉及深度学习技术领域，特别是涉及一种分类器模型训练方法、装置、电子设备及存储介质。背景技术：2.脑机接口(a brain-computer interface，bci)是在人脑与计算机或其他电子设备之间建立直接的通信和控制的通道。换句话说，它是将大脑与外部设备连接起来，在大脑和外部世界之间建立双向通信接口。从历史上看，bcis的发展是为了使严重瘫痪的人在不依赖正常肌肉或周围神经输出的情况下与环境进行交流或互动，在残疾人功能辅助与康复等方面有着广阔的应用前景。目前在健康人领域也取得了一定的研究成果。在众多脑机接口系统中，运动想象(motor imagery，mi)是最常用的脑电研究范式之一，也是由临床应用衍生出的脑电范式。3.目前，大多数基于运动想象的脑机接口系统使用的是传统机器学习方法来构建分类器，而传统的机器学习中为了保证训练模型的准确性，通常会假设训练和测试的数据是来自同一特征空间且满足独立同分布条件，还需要有足够的训练数据样本来构建分类器模型，但是这些条件在实际应用中很难满足。4.在bci系统中，脑电信号的非平稳性会导致同一实验对象不同环节或者多个实验对象之间的脑电信号统计分布不相同且差异性大，从而限制了大量训练数据的可复用性，所以传统的运动想象的脑机接口系统在正式使用前都需要重复进行长时间训练。因此降低训练样本的需求、缩短训练时间是目前mi-bci系统研究的重要方向之一。为了减小被试者差异性大的问题，zanini等人提出了一个黎曼几何框架，用于在黎曼空间中对齐来自不同受试者的eeg协方差矩阵。yong liang等人通过黎曼几何对齐(riemannian alignment，ra)算法，对受试者的脑电数据进行数据校直操作，然后再通过黎曼几何对齐的信源选择算法挑选出特征与目标受试者相似的源域受试者样，最后利用平衡分布自适应算法对从黎曼切空间获得的特征以及目标受试者的特征进行融合和校准，得到一种新的多源融合迁移学习算法。相较于在黎曼空间中进行脑电信号的分类，虽然也取得了不错的效果，但仍然存在由于黎曼空间的测地线计算比欧氏空间中的距离计算复杂、耗时且不稳定、还不能直接对脑电数据进行处理的缺点。技术实现要素：5.基于此，本发明的目的在于，提供一种分类器模型训练方法、装置、电子设备及存储介质，提高对纺锤活动准确检测的可靠性和客观性，弥补人工手动检测纺锤事件的局限性，以帮助实现可靠的、有效的自动纺锤体检测器的目标。6.第一方面，本发明提供一种分类器模型训练方法，包括以下步骤：7.获取训练所用的源域数据和目标域数据，所述源域数据和所述目标域数据均包含多个脑电信号，每个脑电信号对应一个训练标签；8.对所述源域数据和所述目标域数据进行数据校直，得到对齐的源域数据和对齐的目标域数据；9.根据所述对齐的源域数据和对齐的目标域数据之间的相似度，对所述对齐的源域数据中的脑电信号进行挑选，得到相似源域数据；10.对所述相似源域数据和所述对齐的目标域数据进行特征提取，得到每个脑电信号对应的特征图像；11.使用相似源域数据中各个脑电信号对应的特征图像和训练标签、对齐的目标域数据中各个脑电信号对应的特征图像和训练标签，对分类器模型进行训练，得到训练好的分类器模型。12.进一步地，对分类器模型进行训练，包括：13.基于相似源域数据中各个脑电信号对应的特征图像和训练标签，对分类器模型进行预训练；14.基于对齐的目标域数据中各个脑电信号对应的特征图像和训练标签，对经过预训练的分类器模型进行深度迁移学习训练，得到训练好的分类器模型。15.进一步地，对所述源域数据和所述目标域数据进行数据校直，包括：16.采用欧几里得对齐方法，将所述源域数据和所述目标域数据的脑电信号的平均协方差矩阵转化为单位矩阵。17.进一步地，所述源域数据包括多个受试者的多个脑电信号，所述目标域数据包括一个受试者的脑电信号；18.根据所述对齐的源域数据和对齐的目标域数据之间的相似度，对所述对齐的源域数据中的脑电信号进行挑选，得到相似源域数据，包括：19.计算每个受试者的多个脑电信号对应的kl散度；20.对所述多个源域数据的受试者的kl散度进行排序；21.选择kl散度分布相似度小于预设阈值的源域数据的受试者的脑电信号，得到相似源域数据。22.进一步地，对所述相似源域数据和所述对齐的目标域数据进行特征提取，包括：23.使用连续小波变换方法，将脑电信号映射为二维图像信号，并提取所述二维图像信号的μ节律和β节律；24.选择morlet小波作为小波函数，确定小波函数的时间样本数和频率；25.根据所述时间样本数和频率，得到每个脑电信号对应的特征图像。26.进一步地，所述分类器模型为scnn神经网络。27.进一步地，获取训练所用的源域数据和目标域数据，包括：28.采集每个受试者的多组原始脑电信号；29.选择若干通道，截取预设时间段的所述原始脑电信号；30.对所述经过选择的脑电信号进行带通滤波处理和归一化处理，得到训练所用的源域数据和目标域数据。31.第二方面，本发明还提供一种分类器模型训练装置，包括：32.数据获取模块，用于获取训练所用的源域数据和目标域数据，所述源域数据和所述目标域数据均包含多个脑电信号，每个脑电信号对应一个训练标签；33.数据对齐模块，用于对所述源域数据和所述目标域数据进行数据校直，得到对齐的源域数据和对齐的目标域数据；34.数据挑选模块，用于根据所述对齐的源域数据和对齐的目标域数据之间的相似度，对所述对齐的源域数据中的脑电信号进行挑选，得到相似源域数据；35.特征提取模块，用于对所述相似源域数据和所述对齐的目标域数据进行特征提取，得到每个脑电信号对应的特征图像；36.分类器训练模块，用于使用相似源域数据中各个脑电信号对应的特征图像和训练标签、对齐的目标域数据中各个脑电信号对应的特征图像和训练标签，对分类器模型进行训练，得到训练好的分类器模型。37.第三方面，本发明还提供一种电子设备，包括：38.至少一个存储器以及至少一个处理器；39.所述存储器，用于存储一个或多个程序；40.当所述一个或多个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如本发明第一方面任一所述的一种分类器模型训练方法的步骤。41.第四方面，本发明还提供一种计算机可读存储介质，42.所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如本发明第一方面任一所述的一种分类器模型训练方法的步骤。43.本发明提供的一种分类器模型训练方法、装置、电子设备及存储介质，针对差异性大的问题，用迁移学习改进脑机接口的其中一种方法是将不同受试者的脑电数据进行对齐，本发明采用了欧几里得对齐方法，通过数学变换得到源域和目标域的参考矩阵，分别进行转换得到新的数据集，使得源受试者的协方差矩阵与目标受试者的协方差矩阵高度相似，以此来解决不同受试者数据统计分布不均以及实验数据适应性差的问题。通过采用kl散度方法选择与目标受试者更相似的数据样本，不仅使得辅助样本集更加接近，显著提升了分类准确率，还大大减少了训练时间。将迁移学习思想应用于mi-bci的分类，采用能有效减少训练特征数据和测试特征数据分布差异的深度迁移学习算法，充分利用大量有标注的训练样本资源，削弱在传统机器学习中训练数据样本和测试数据样本独立同分布的条件，从而提高分类器的分类效果。44.为了更好地理解和实施，下面结合附图详细说明本发明。附图说明45.图1为本发明提供的一种分类器模型训练方法的流程示意图；46.图2为本发明提供的一种分类器模型训练装置的结构示意图；47.图3为本发明在一个实施例中与其它算法进行比较的精确度结果对比示意图。具体实施方式48.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施例方式作进一步地详细描述。49.应当明确，所描述的实施例仅仅是本技术实施例一部分实施例，而不是全部的实施例。基于本技术实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本技术实施例保护的范围。50.在本技术实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术实施例。在本技术实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。51.下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。在本技术的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本技术中的具体含义。52.此外，在本技术的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。53.在一个具体的实施例中，本发明提供的一种分类器模型训练方法，基于一种脑电信号采集系统来实现。54.具体的，通过synamps2放大器对受试者的脑电信号进行数据样本采集，并将所采集的数据样本传送到数据预处理模块来进行处理。该数据集为运动想象手部二分类运动，包含9个受试者，采样频率为250hz。将其中的8个受试者作为源域，剩余的1位受试者数据分为10份，其中的9份作为目标域，1份作为测试数据。55.脑电信号采集的方法步骤如下：56.步骤一：在每个试验的开始时，在屏幕的中间都会出现一个固定灰色笑脸图示。57.步骤二：在第2.0s时候伴随着短促提示音，提示受试者为实验做准备。58.步骤三：从3.0s到7.5s，受试者需要根据灰色面部表情向左或向右移动方向来进行运动想象。当灰色脸部表情朝正确的方向移动时，屏幕上会出现绿色笑脸，否则将出现红色悲伤脸部表情。59.步骤四：在7.5s时，屏幕变成空白，提示消失，试验中增加了1.0s到2.0s之间的随机间隔让受试者尽可能地进行mi，然后开始下一次试验，如此反复。60.基于上述脑电信号采集的系统和方法，针对背景技术中的问题，本技术实施例提供一种分类器模型训练方法，如图1所示，该方法包括以下步骤：61.s01：获取训练所用的源域数据和目标域数据，所述源域数据和所述目标域数据均包含多个脑电信号，每个脑电信号对应一个训练标签。62.在一个优选的实施例中，包括以下子步骤：63.s011：采集每个受试者的多组原始脑电信号。即根据上文所述的脑电信号采集系统和方法获得的原始脑电信号。64.s012：选择若干通道，截取预设时间段的所述原始脑电信号。65.优选的，采用c3，c4，cz3个通道的脑电数据，并截取了3.2s-6.25s的时间段。66.s013：对所述经过选择的脑电信号进行带通滤波处理和归一化处理，得到训练所用的源域数据和目标域数据。67.优选的，利用4-35hz的带通滤波器对该数据进行处理。68.s02：对所述源域数据和所述目标域数据进行数据校直，得到对齐的源域数据和对齐的目标域数据。69.在一个优选的实施例中，采用欧几里得对齐方法，将所述源域数据和所述目标域数据的脑电信号的平均协方差矩阵转化为单位矩阵，对所述源域数据和所述目标域数据进行数据校直。70.欧几里得对齐方法的原理以及实现方式如下所示：71.假设一个受试者有n个样本数，且每个样本都有d维特征，则输入为72.首先计算输入样本x的协方差矩阵：c＝xtx，其中t为矩阵的转置；然后对输入x执行线性变换：其中转换矩阵w满足wtw＝c-1，其中t为矩阵的转置。而常用的zca白化的转换矩阵通常为w＝c–1/2。则n个校直样本的平均协方差矩阵为：。则n个校直样本的平均协方差矩阵为：其中i表示单位矩阵。平均协方差矩阵都变成了单位矩阵，也就意味着新数据的特征之间不相关，且方差相同。即样本协方差矩阵的分布会变得更相似。73.s03：根据所述对齐的源域数据和对齐的目标域数据之间的相似度，对所述对齐的源域数据中的脑电信号进行挑选，得到相似源域数据。74.在一个优选的实施例中，对齐后的数据采用kl散度进行源域数据的挑选。75.具体实现方式如下：76.首先计算每个受试者的样本均值：其中s∈{1,…,n}，ws∈rn*1代表用于预测试验x的类别标签的分类参数；以及计算方差：77.为了降低优化复杂度，∑tl∈rn*n仅包括协方差矩阵的归一化对角元素，其中diag和trace分别给出矩阵的对角元素和对角元素之和。78.给定两个正态分布，分别表示为和n1(μ1,∑1)，根据kl散度公式：[0079][0080]可以得到每一个源域受试者与目标域受试者的kl散度。[0081]排序选择分布相似度较小的kl散度，从而挑选出与目标域数据相似的源域样本。[0082]s04：对所述相似源域数据和所述对齐的目标域数据进行特征提取，得到每个脑电信号对应的特征图像。[0083]在一个优选的实施例中，包括以下子步骤：[0084]s041：使用连续小波变换方法，将脑电信号映射为二维图像信号，并提取所述二维图像信号的μ节律和β节律。[0085]s042：选择morlet小波作为小波函数，确定小波函数的时间样本数和频率。[0086]s043：根据所述时间样本数和频率，得到每个脑电信号对应的特征图像。[0087]具体实现方式为：cwt方法可以将运动想象脑电信号映射为二维图像信号，同时从这些图像信号中提取μ和β节律。cwt表达式为：[0088][0089]其中，t为时间，s(t)是输入信号，a是小波变换的尺度，φ是小波基函数，τ是时移。且选择morlet小波作为小波函数，所以cwt后的时域表达式为：[0090][0091]频域表达式为：[0092][0093]其中i表示复数，w为中心频率。当morlet小波被确定为分析小波后，通过分析mi-eeg数据，可以确定小波函数的时间样本数t和频率wc，据此可以得到脑电信号的特征图像。[0094]s05：使用相似源域数据中各个脑电信号对应的特征图像和训练标签、对齐的目标域数据中各个脑电信号对应的特征图像和训练标签，对分类器模型进行训练，得到训练好的分类器模型。[0095]在一个优选的实施例中，选择scnn神经网络作为分类器模型的基础神经网络，采用深度迁移学习方法进行训练，具体包括：[0096]s051：基于相似源域数据中各个脑电信号对应的特征图像和训练标签，对分类器模型进行预训练。[0097]s052：基于对齐的目标域数据中各个脑电信号对应的特征图像和训练标签，对经过预训练的分类器模型进行深度迁移学习训练，得到训练好的分类器模型。[0098]优选的，使用预先采集的测试数据对训练好的分类器模型进行测试。[0099]本技术实施例还提供一种分类器模型训练装置，如图2所示，该分类器模型训练装置400包括：[0100]数据获取模块401，用于获取训练所用的源域数据和目标域数据，所述源域数据和所述目标域数据均包含多个脑电信号，每个脑电信号对应一个训练标签；[0101]数据对齐模块402，用于对所述源域数据和所述目标域数据进行数据校直，得到对齐的源域数据和对齐的目标域数据；[0102]数据挑选模块403，用于根据所述对齐的源域数据和对齐的目标域数据之间的相似度，对所述对齐的源域数据中的脑电信号进行挑选，得到相似源域数据；[0103]特征提取模块404，用于对所述相似源域数据和所述对齐的目标域数据进行特征提取，得到每个脑电信号对应的特征图像；[0104]分类器训练模块405，用于使用相似源域数据中各个脑电信号对应的特征图像和训练标签、对齐的目标域数据中各个脑电信号对应的特征图像和训练标签，对分类器模型进行训练，得到训练好的分类器模型。[0105]优选的，分类器训练模块包括：[0106]预训练单元，用于基于相似源域数据中各个脑电信号对应的特征图像和训练标签，对分类器模型进行预训练；[0107]迁移学习训练单元，用于基于对齐的目标域数据中各个脑电信号对应的特征图像和训练标签，对经过预训练的分类器模型进行深度迁移学习训练，得到训练好的分类器模型。[0108]优选的数据对齐模块包括：[0109]采用欧几里得对齐方法，将所述源域数据和所述目标域数据的脑电信号的平均协方差矩阵转化为单位矩阵。[0110]优选的，所述源域数据包括多个受试者的多个脑电信号，所述目标域数据包括一个受试者的脑电信号；[0111]数据挑选模块包括：[0112]kl散度计算单元，用于计算每个受试者的多个脑电信号对应的kl散度；[0113]排序单元，用于对所述多个源域数据的受试者的kl散度进行排序；[0114]数据选择单元，用于选择kl散度分布相似度小于预设阈值的源域数据的受试者的脑电信号，得到相似源域数据。[0115]优选的，特征提取模块包括：[0116]图像映射单元，用于使用连续小波变换方法，将脑电信号映射为二维图像信号，并提取所述二维图像信号的μ节律和β节律；[0117]时间样本数和频率确定单元，用于选择morlet小波作为小波函数，确定小波函数的时间样本数和频率；[0118]特征图像提取单元，用于根据所述时间样本数和频率，得到每个脑电信号对应的特征图像。[0119]优选的，所述分类器模型为scnn神经网络。[0120]优选的，数据获取模块包括：[0121]信号采集单元，用于采集每个受试者的多组原始脑电信号；[0122]信号挑选单元，用于选择若干通道，截取预设时间段的所述原始脑电信号；[0123]信号预处理单元，用于对所述经过选择的脑电信号进行带通滤波处理和归一化处理，得到训练所用的源域数据和目标域数据。[0124]对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。[0125]本技术实施例还提供一种电子设备，包括：[0126]至少一个存储器以及至少一个处理器；[0127]所述存储器，用于存储一个或多个程序；[0128]当所述一个或多个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如前所述的一种分类器模型训练方法的步骤。[0129]对于设备实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的设备实施例仅仅是示意性的，其中所述作为分离部件说明的组件可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。[0130]本技术实施例还提供一种计算机可读存储介质，[0131]所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如前所述的一种分类器模型训练方法的步骤。[0132]计算机可用存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于：相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(r a m)、只读存储器(r o m)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。[0133]本发明提供的一种分类器模型训练方法、装置、电子设备及存储介质，(1)本发明首先是针对差异性大的问题，用迁移学习改进脑机接口的其中一种方法是将不同受试者的脑电数据进行对齐，本发明采用了欧几里得对齐方法，通过数学变换得到源域和目标域的参考矩阵，分别进行转换得到新的数据集，使得源受试者的协方差矩阵与目标受试者的协方差矩阵高度相似，以此来解决不同受试者数据统计分布不均以及实验数据适应性差的问题。[0134](2)本发明针对脑电数据中不同受试者之间存在较大个体差异性问题时，如果将辅助受试者的脑电数据直接加入目标受试者的脑电数据中进行模型训练，将会导致原有模型性能降低。但仍有可能在某些受试者的脑电信号中找到共同的信息。所以，为目标受试者寻找合适的迁移受试者的选择方法是非常有必要的，本发明通过采用kl散度方法选择与目标受试者更相似的数据样本，不仅使得辅助样本集更加接近，显著提升了分类准确率，还大大减少了训练时间。[0135](3)本发明在传统脑机接口技术研究的基础上，将迁移学习思想应用于mi-bci的分类，采用能有效减少训练特征数据和测试特征数据分布差异的深度迁移学习算法，充分利用大量有标注的训练样本资源，削弱在传统机器学习中训练数据样本和测试数据样本独立同分布的条件，从而提高分类器的分类效果。[0136]综上，如图3所述，本发明在针对运动想象脑电信号分类中取得了83.59％的准确率，高于对比的3种算法。[0137]以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!