买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：暨南大学

摘要：本发明公开了基于域对抗网络的跨用户EEG信号融合识别方法，具体步骤为：对多被试多分类的EEG数据集进行预处理；每个被试的数据都会轮流作为目标域数据，同时其他被试的数据作为不同的源域数据，每组源域数据都会与目标域训练数据训练生成一个域对抗网络模型，用于识别测试数据；利用每个域对抗网络模型计算出的特征信息和类别信息分别对测试数据的实际类别进行分析，得到多个域对抗网络模型对测试数据的辅助决策信息；构建信息融合模型，对多个对抗网络模型识别结果进行融合优化，使得多个对抗网络模型决策一致性最大化，用于返回优化的目标域数据识别的结果；对比测试数据的实际结果与相应的预测结果来评价所提算法的性能。

主权项：1.基于域对抗网络的跨用户EEG信号融合识别方法，其特征在于，具体步骤为：S1对多被试多分类的EEG数据集进行预处理；S2每个被试的数据都会轮流作为目标域数据，同时其他被试的数据作为不同的源域数据，每组源域数据都会与目标域训练数据训练生成一个域对抗网络模型，用于识别测试数据；S3利用每个域对抗网络模型计算出的特征信息和类别信息分别对测试数据的实际类别进行分析，得到多个域对抗网络模型对测试数据的辅助决策信息；S4构建信息融合模型，对多个对抗网络模型识别结果进行融合优化，使得多个对抗网络模型决策一致性最大化，用于返回优化的目标域数据识别的结果；S5对比测试数据的实际结果与相应的预测结果来评价所提算法的性能；所述步骤S2具体包括：S21预处理结束后，取一个被试的数据作为目标域数据，其他被试的数据会作为不同的源域数据，将目标域数据按7：3分为训练数据和测试数据，训练数据将和每一个源域数据作为训练集训练不同的域对抗网络；由于每个数据都会轮流作为目标域数据，假设数据集共包含M个被试的数据，则会有MM-1个单源域对单目标域的迁移任务；S22域对抗网络由特征提取器Gf、类别预测器Gy、域判别器Gd三个部分组成；给定数据点xi，yi，负对数似然作为损失函数，其标签预测器的损失为： 其中Gfxi是特征提取器Gf从数据xi中提取的特征向量，GyGfxyi表示预测为yi的概率；同时，域判别器的损失为：LdGdGfxi，di＝-dilogGdGfxi+1-dilogGdGfxi其中，di表示第i个样本的二元标签，用来表示这个样本属于源域还是目标域；GdGfxi表示对Gfxi的域预测值；S23由标签预测器和域预测器的损失得出域对抗网络的总目标函数为： 其中，Rλ表示梯度反转层，在反向传播的时候会把本层误差乘以一个负数-λ向后传递；通过最小化该目标函数可以在最小化Ly同时最大化Ld，这样可以在实现数据分类的同时混淆模型对源域数据集和目标域数据集的区分，实现对抗迁移的目的。

全文数据：

权利要求：

百度查询： 暨南大学 基于域对抗网络的跨用户EEG信号融合识别方法