(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111680497.2 (22)申请日 2021.12.2 9 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市钱塘新区白杨 街道2号大街1 158号 (72)发明人 佘青山　陈铁　席旭刚　张启忠　 汪婷　 (51)Int.Cl. G06N 20/00(2019.01) G06K 9/62(2022.01) (54)发明名称 一种基于领域泛化的脑电度量迁移学习方 法 (57)摘要 本发明涉及一种基于领域泛化的脑电度量 迁移学习方法， 以脑电信号为研究对象， 基于现 有的度量迁移学习方法， 进一步引入 领域泛化思 想以增强模 型的泛化能力。 本发 明拟研究核表征 学习方法， 结合整体散度、 域间散度、 类内散度、 类间散度四个方面， 寻找能使类间散度和整体散 度最大化、 类内散度和域间散度最小化的特征变 换矩阵。 本发 明的研究方法和取得的成果可进一 步丰富脑电信号识别算法内容， 具有广泛的应用 价值。 权利要求书2页 说明书6页 附图1页 CN 114330753 A 2022.04.12 CN 114330753 A 1.一种基于领域泛化的脑电度量迁移学习方法， 其特 征在于： 包括以下步骤： 步骤一、 求 解脑电数据的整体散度； 步骤二、 度量 不同域之间的相似性； 步骤三、 求 解类内散度和类间散度。 2.根据权利要求1所述的一种基于领域泛化的脑电度量迁移学习方法， 其特征在于： 所 述步骤一具体包括： 假设有n个源域 源域数据X的分布在映射φ下的散度定义 为： 其中， ||·||H是RKHS中的范 数； μD是在RKHS空间中的均值映射。 定义所有源域的域均值为： 整体散度表示为 通过 对所有原始数据进行映射， 得到Φ＝[φ(x1)， ...， φ(xn)]T， 减去均值后， 得到协方差矩阵： cov(Φ)＝ΦTΦ， 整体散度进一步表示为 使用核方法， 寻找特征变 换矩阵P， 整体散度在映射φ下的优化目标如下： s.t.PTKP＝I            (2) 其中， Tr(PTKKP)表示矩阵PTKKP的对角线元 素之和。 3.根据权利要求1所述的一种基于领域泛化的脑电度量迁移学习方法， 其特征在于： 所 述步骤二具体包括： 域间散度本质上是不同源域之间的最大平均差异， 同样利用核方法求解MMD矩阵的特 征变换矩阵P， 优化下面的目标函数： 其中， M是M MD矩阵。 4.根据权利要求1所述的一种基于领域泛化的脑电度量迁移学习方法， 其特征在于： 所 述步骤三具体包括： 采用费希尔线性判别式将两个散度结合， 寻找特征映射P， 最小化特征变换后的所有源 域的类内距离， 并且最大化类间距离， 从而得到类内散度为： 其中， mk和 分别是RKHS空间中第k类的映射均值映 射和整体的映射均值， 类间散度为： 其中， K是核矩阵。权　利　要　求　书 1/2 页 2 CN 114330753 A 2求解使四个散度最优的线性变P， 使得类间散度和整体散度最大化、 类 内散度和域间散 度最小化， 进 而得到最终的目标函数： s.t.PTKP＝I 其中， β 和 δ 是 大于0的超参数。 通过广义特征值分解求解P， 得到使目标函数最大化时的P*， 并将其嵌入度量迁移学习 目标函数中， 建立脑电迁移的领域泛化 算法， 目标函数如下： 其中， r(A)表示度量矩阵A的传播误差； 表示度量迁移学学习中引入的领域泛 化项； ηl(f， A， ω)表示样本类内加权 差和类间加权 差的损失函数； 在多个源域求出投影矩阵P*和目标域投影矩阵Pt后， 利用优化求解方法更新得到度量 矩阵A。权　利　要　求　书 2/2 页 3 CN 114330753 A 3