CN119538056A 基于多任务学习的多源域对抗脑电信号分类方法及系统 (中国人民解放军国防科技大学)_第1页
CN119538056A 基于多任务学习的多源域对抗脑电信号分类方法及系统 (中国人民解放军国防科技大学)_第2页
CN119538056A 基于多任务学习的多源域对抗脑电信号分类方法及系统 (中国人民解放军国防科技大学)_第3页
CN119538056A 基于多任务学习的多源域对抗脑电信号分类方法及系统 (中国人民解放军国防科技大学)_第4页
CN119538056A 基于多任务学习的多源域对抗脑电信号分类方法及系统 (中国人民解放军国防科技大学)_第5页
已阅读5页,还剩16页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

基于多任务学习的多源域对抗脑电信号分本发明公开了一种基于多任务学习的多源别获取目标域O和多个源域S的脑电信号特征样本;将每个源域S的脑电信号特征样本分别通过时间置乱形成时间子域P的多个脑电信号特征样本;将每个源域S的脑电信号特征样本分别与目标域O的脑电信号特征样本混合形成多个混合子混合子域Q的脑电信号特征样本一起输入域对抗结果进行投票预测以确定目标域O的最终预测结任务增强多源域对抗模型的学习能力以提高特2分别获取目标域O和多个源域S的脑电信号特征样本;将每个源域S的脑电信号特征样本分2.根据权利要求1所述的基于多任务学习的多源域对抗脑电信号分类方法,其特征在右半球部分拼接组合得到时间子域P中t时刻的脑电信号特征样本,将t+1时刻的脑电信号3.根据权利要求1所述的基于多任务学习的多源域对抗脑电信号分类方法,其特征在个混合子域Q的脑电信号特征样本是指基于相同刺激下不同域中的脑电信号特征样本的相似性按等比例混合参与训练和源域S和目标域O形成多个混合子域Q的脑电4.根据权利要求1所述的基于多任务学习的多源域对抗脑电信号分类方法,其特征在的脑电信号特征样本分别与目标域O的脑电信号特征样本进行组合和配对,形成多种类型5.根据权利要求4所述的基于多任务学习的多源域对抗脑电信号分类方法,其特征在6.根据权利要求4所述的基于多任务学习的多源域对抗脑电信号分类方法,其特征在7.根据权利要求4所述的基于多任务学习的多源域对抗脑电信号分类方法,其特征在3,y;所对应的脑电信号特征样本对中的两个脑电信号特征样本由特征表示模块提取得到的,8.一种基于多任务学习的多源域对抗脑电信号分类9.一种计算机可读存储介质,该计算机可读存储介被编程或配置以通过处理器执行权利要求1~7中任意一项所述基于多任务学习的多源域4目标域O和多个源域S的脑电信号特征样本;将每个源域S的脑电信号特征样本分别通过时子域P、混合子域Q的脑电信号特征样本一起输入域对抗神经网络中训练形成分支预测结号特征样本的右半球部分拼接组合得到时间子域P中t时刻的脑电信号特征样本,将t+1时刻的脑电信号特征样本的左半球部分、t时刻的脑电信号特征样本的右半球部分拼接组合得到时间子域P中t+1时刻的脑电信号特征样本,最终形成时间子域P的多个脑电信号特征5本混合形成多个混合子域Q的脑电信号特征样本是指基于相同刺激下不同域中的脑电信号特征样本的相似性按等比例混合参与训练和源域S和目标域O形成多个混合子域Q的脑电信目标域O的脑电信号特征样本进行组合和配对时,形成的多种类型的脑电信号特征样本对[0009]可选地,所述特征表示模块为具有共享参数的多层感知器MLP,所述多层感知器MLP包含两个全连接的隐藏层和一个输出层;所述对抗判别器由两个全连接层和一个输出,标签所对应的脑电信号特征样本对中的两个脑电信号特征样本由特征表示模块提取得,6或指令被编程或配置以通过处理器执行所述基于多任务学习的多源域对抗脑电信号分类[0021]如图1所示,本实施例基于多任务学习的多源域对抗脑电信号分类方法包括下述征样本分别与目标域O的脑电信号特征样本混合形成多个混合子域Q的脑电信号特征样本;本实施例基于多任务学习的多源域对抗脑电信号特征分析方法选择脑电信号这一客观的信号的特征的获取包括:S201:对单次诱发实验中获得的多通道脑电信号进行降噪处理;classification.6thInternationalIEEE/EMBSConferenceonNeuralEngineering(NER),SanDiego,CA,USA.7施例中将每个源域S分别通过时间置乱形成多个时间子域P时,包括将源域S中的脑电信号特征样本的右半球部分(表示为Rt+1)拼接组合得到时间子域P中t时刻的脑电信号特征样本混合形成多个混合子域Q的脑电信号特征样本是指基于相同刺激下不同域中的脑电信号特征样本的相似性按等比例混合参与训练和源域S和目标域O形成多个混合子域Q的脑电信中源域被试和目标域被试同一时段的微分熵特征进行平均,以获得该场景的代表性特征,8[0028]本实施例中,特征表示模块为具有共享参数的多层感知器MLP,所述多层感知器MLP包含两个全连接的隐藏层和一个输出层;所述对抗判别器由两个全连接层和一个输出参数采用的损失函数为分类损失Ln和域损失LP两者之和,分类损失Ln的计算函数表达式,标签所对应的脑电信号特征样本对中的两个脑电信号特征样本由特征表示模块提取得,使用公开的SEED数据集和SEED_IV数据集进行跨被试识别。SEED数据集详细记录了15名参与者在接受三类情绪刺激(积极、中性及消极)时的EEG信号,EEG信号通过62个电极以1000Hz的高采样率记录,每名被试共进行3次实验(间隔一周每次实验观看15段不同视9充分证明了本实施例方法在跨被试情绪识别任务中具有较优序或指令被编程或配置以通过处理器执行所述基于多

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论