技术摘要：
一种基于判别式对抗网络的脑电自适应模型及在康复中的应用，包括：构建脑电信号数据的源域和目标域作为输入样本；构建脑电自适应模型的由特征提取器和分类器构成的主干网络；构建脑电自适应模型的域判别器作为分支网络；构建脑电自适应模型的损失函数；利用源域和目标  全部
背景技术：
脑卒中是一种急性脑血管疾病，其特点是发病率高，致残率高和死亡率高，已经成 为威胁人类身体健康的第二大杀手。由于脑卒中患者神经通路受损，无法知晓偏瘫部位肌 肉的收缩状况，使得患者难以在人工物理疗法的帮助下自主地调整肌肉的收缩状况，只能 被动地接受治疗。脑机接口(brain-computer  interface,BCI)是一种通过采集脑电信号， 实现大脑与外部设备直接交互的手段和方式。其中，基于运动想象的脑机接口通过自发性 的想象肢体运动来控制外接设备的运动，是一种新型的人机交互方式，并且有广阔的市场 前景。例如，通过运动想象脑机接口可以帮助肢体不便的患者进行自主式康复训练，并控制 辅助设备实现自理，提升生活质量。表面肌电反馈刺激是一种将生物反馈刺激技术和电刺 激方法相结合的新型治疗范式，该范式将患者有意识的肌肉收缩引发的肌电信号转化为放 大了的反馈电流，再刺激肌肉收缩，使瘫痪肢体运动幅度加大，从而使中枢神经系统获得有 效的本体感觉反馈，完成闭环刺激模式和随意运动。然而，由于偏瘫患者存在肢体运动能力 障碍，表面肌电比正常人微弱得多，单纯通过表面肌电进行反馈容易出现误触发、误判断等 问题。另一方面，偏瘫患者的大脑并未完全受损，仍旧可正常产生运动意识。因此，基于运动 想象与表面肌电相结合进行运动康复治疗是一种更加理想的治疗方案。然而，脑-肌电康复 治疗系统的性能很大程度受脑电信号解码准确率的影响。由于运动想象脑电信号个体差异 性大，传统方法常针对每个被试的脑电信号单独训练一个模型，无法适用于未经过训练的 受试者，导致了在实际使用脑电康复治疗系统前，每个被试都必须经过训练。由于训练过程 繁琐复杂，单个被试训练样本数量少，系统的性能会进一步下降。
技术实现要素：
本发明所要解决的技术问题是，提供一种有助于解决运动想象脑电信号被试个体 差异大，样本量少或者无标签导致解码困难问题的基于判别式对抗网络的脑电自适应模型 及在康复中的应用。 本发明所采用的技术方案是：一种基于判别式对抗网络的脑电自适应模型，包括 如下步骤： 1)构建脑电信号数据的源域和目标域作为输入样本； 2)构建脑电自适应模型的由特征提取器和分类器构成的主干网络； 3)构建脑电自适应模型的域判别器作为分支网络； 4)构建脑电自适应模型的损失函数； 5)利用源域和目标域的脑电信号数据对脑电自适应模型进行训练。 步骤1)是将新被试者的脑电信号数据作为自适应学习的目标域，已有被试者的脑 5 CN 111584029 A 说　明　书 2/7 页 电信号数据作为自适应学习的源域。 步骤2)是根据脑电信号数据的时间及空间特性，构建一个7层的特征提取器和分 类器构成主干网络，包括：第1层为时间卷积层，第2层为空间卷积层，第3层为批量归一化 层，第4层为最大池化层，第5层为丢弃层，第6层为特征融合层，第7层为输出层，前5层构成 特征提取器，后两层构成分类器。 主干网络各层参数设置如下： 第一层为时间卷积层，用于沿着时间维对数据长度为L，通道数为N的脑电信号进 行时间滤波，提取不同频段上的特征信息；该层使用128种滤波器，每种滤波器与输入进行 卷积操作后得到不同特征信息的映射，形成128个特征图；该时间卷积层卷积核大小设置为 25×1，步长设置为1，则输出的每个特征图大小为(L-25 1)×N； 第二层为空间卷积层，用于沿着通道维对通道数为N的脑电信号进行空间滤波，融 合多个通道的特征信息产生更具有辨识性的特征信息；该层使用256种滤波器，每种滤波器 与输入进行卷积操作后得到不同特征信息的映射，形成256个特征图；该层卷积核大小设置 为1×N，步长设置为1，则输出的每个特征图大小为(L-25 1)×1； 第三层为批量归一化层，用于对第二层网络的输出进行批量归一化处理，使第二 层网络的输出数据分布接近正态分布，加速模型收敛，提高网络的泛化性能； 第四层为池化层，用于提高特征的尺度不变性，降低特征维度，简化后续计算，同 时可达到保留与脑电分类任务最相关的特征，剔除冗余特征的作用；该层池化的大小为10 ×1，采用最大值池化； 第五层为丢弃层，用于有效控制过拟合问题，在训练网络时，暂时丢弃一部分神经 元；设定神经元的保留概率为p，则神经元被丢弃的概率为1-p，且丢弃的神经元不参与前向 传播计算与参数更新； 第六层为特征融合层，用于针对第五层输出的所有特征信息进行融合；该层使用c 种滤波器，其中c为脑电分类任务中的类别数，每种滤波器的卷积核尺寸与第五层中每个特 征图的尺寸相同； 第七层为输出层，包括c个神经元，该层经过SoftMax计算后输出每一类信号的预 测概率，选取其中概率值最大的类别作为脑电自适应模型对于当前样本的判定结果；所述 SoftMax的计算公式如下： 其中， 为每一类的预测概率，fi为第六层中第i个神经元的输出； 步骤3)所述的域判别器包括三层： 第一层为梯度反转层，在前向传播过程中对输入进行恒等变换，在反向传播过程 中梯度方向自动取反，计算公式如下： R(x)＝x 6 CN 111584029 A 说　明　书 3/7 页 其中，x表示输入梯度反转层的特征，R(x)表示梯度反转层的输出，I表示单位矩 阵，λ表示梯度反转系数，p表示当前训练次数与总训练次数的比率； 第二层为融合卷积层，用于针对主干网络的第五层输出的所有特征信息进行融 合；该层使用2种滤波器，每种滤波器的卷积核大小尺寸与主干网络的第五层中每个特征图 的尺寸相同； 第三层为输出层，包括2个神经元，该层经过SoftMax操作后输出属于源域信号与 目标域信号的预测概率，选取其中概率值最大的类别作为域判别器对于输入的判定结果； SoftMax的计算公式如下： 其中， 为每一类的预测概率，vi为域判别器第一层中第i个神经元的输出。 步骤4)包括：设脑电自适应模型的损失函数H，损失函数H包含两部分，分别是主干 网络的分类损失函数Hce和域判别器的判别损失函数Hd,计算公式如下： H＝Hce-μHd 其中，μ为平衡分类损失和判别损失的超参数，c为脑电分类任务中的类别数，pi为 源域样本的真实标签， 为主干网络对源域样本的预测标签，yi为源域样本和目标域样本 真实的域标签， 为域判别器对源域样本和目标域样本预测的域标签；当pi＝0时，则表示 输入样本属于源域，当pi＝1时，则表示输入样本属于目标域。 步骤5)包括：设定总训练次数为M，在训练脑电自适应模型的主干网络时，输入源 域的脑电信号数据进入特征提取器进行特征提取，形成源域特征，并将源域特征送入分类 器进行脑电分类，同时利用主干网络的分类损失函数计算出分类损失；在训练脑电自适应 模型的域判别器时，输入目标域的脑电信号进入特征提取器进行特征提取，形成目标域特 征，并将源域特征和目标域特征输入域判别器进行二分类，同时利用域判别器的判别损失 函数的计算公式计算出判别损失；最终，利用脑电自适应模型的损失函数的计算公式计算 出整个模型的损失误差，并通过反向传播算法与小批量梯度下降法进行误差传播及参数更 新；不断重复该过程对脑电自适应模型的参数进行迭代更新，直至达到总训练次数。 一种基于判别式对抗网络的脑电自适应模型在康复中的应用，为了辨识人体运动 意图，以新被试者脑电数据为目标域，已有的被试者脑电数据为源域，通过小批量梯度下降 法对脑电自适应模型的参数进行迭代更新，更新结束后，利用更新的脑电自适应模型实现 对脑电信号类别的预测，达到运动意图辨识的目的。 一种基于判别式对抗网络的脑电自适应模型在康复中的应用，通过康复医疗设备 中的脑电采集装置获取的被试者脑电信号数据，采用脑电自适应模型，对脑电信号类别进 行预测，实时监测被试者运动意图，并将该运动意图转换为康复医疗设备对应的动作，通过 7 CN 111584029 A 说　明　书 4/7 页 康复医疗设备中外骨骼康复器械协助被试者肢体完成对应的动作。 本发明的基于判别式对抗网络的脑电自适应模型及在康复中的应用，使用域判别 对抗学习的迁移学习方法，利用其他被试的脑电数据，有助于解决运动想象脑电信号被试 个体差异大，样本量少或者无标签导致的解码困难问题。有望与脑电康复治疗系统相结合， 缓解了单个被试脑电信号训练数据量小的难题，同时提升了新被试的模型准确性，且对不 同用户有较好的适用性能，并可应用于康复医疗系统实现对人体运动意图的辨识。 附图说明 图1是本发明中脑电自适应模型的构成示意图。