(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 202111680626.8 (22)申请日 2021.12.3 0 (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　李俊昊　高云园　武薇　 范影乐　 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) (54)发明名称 一种基于度量学习的源域选择方法 (57)摘要 本发明涉及一种基于度量学习的源域选择 方法， 通过将 源域和目标域脑电信号在欧式空间 中进行对齐， 使得不同被试之间的数据分布更加 相似。 考虑到脑电信号的维度通常比较高， 故利 用线性判别法降低对齐后数据的维度， 同时减小 样本的类内差异和增大样本的类间差异。 最后设 计度量函数计算样本的类内距离和类间距离， 以 此为标准来衡量源域和目标域之间相似性， 从而 选择出最适合迁移的源域。 权利要求书2页 说明书9页 附图1页 CN 114330451 A 2022.04.12 CN 114330451 A 1.一种基于度量学习的源域选择 方法， 其特 征在于： 包括以下步骤： 步骤一、 对原 始脑电数据进行欧式对齐； 假设每个源域的受试者数据为D＝{xi,yi},yi∈{0,1},i＝1,2, …,n， n为同一受试者被 试的次数， 则在不需要源域和目标域标签的情况 下， 可以计算到如下的参 考矩阵： 其中 是来自一个受试者 的所有协方差矩阵的算数平均值， 经过欧式对齐后的数据记 为： 步骤二、 利用线性判别分析法降低对齐后的数据维度； 步骤三、 构造度量 函数来衡量源域和目标域之间的相似性； 给定一对源域和目标域， 利用线性判别分析方法后建立目标函数， 使得类内距最小和 类间距最大， 计算公式如下 所示： J2＝Dw‑α Db            (9) 其中Dw为类内距离， Db为类间距离 。 类内距离和类间距离的计算方法为： 其中度量 函数的计算公式如下： 当 是 的类内k1近邻时， Pij等于1， 否则为0； 当 时 的类间k2近邻时， Qij等于1， 否则 为0； 对于样本 和 它们之间的马氏距离可以写为： 其保证距离非负且 对称， M必须 是半正定矩阵， 即必定有正交基P使得M＝P PT， 将M直接嵌入到 近邻分类 器的评价指标中去， 通过优化该性能指标求得对应的M， 对于任意的样本 它对 分类结果影响的概 率为： 当i＝j时， pij最大， Ωi表示 属于相同类别样 本的下标集合， 以留一法正确率的最大化 为目标， 则可以计算整体 的留一法正确率： 将式(14)代入上式， 再考虑M＝P PT， 可以得到 近邻分类 器的优化目标：权　利　要　求　书 1/2 页 2 CN 114330451 A 2求解式(16)即可以得到距离度量矩阵M， 根据式(13)， 即可求得度量函数 再利 用度量函数去度量各个源域和目标域的相似性， 来选择最 适合迁移的源域。 2.根据权利要求1所述的一种基于度量学习的源域选择方法， 其特征在于： 所述步骤二 具体包括： 经过欧式对齐后的数据为 n为同一受试者被试 的次数， 令 μi,Σi分别表示第i类示例的集 合、 均值和协方差矩阵， 将投影空间记为 w， 两类样本的中心在空间上的投影为 wTμ0和wTμ1； 若对所有的样本进行投影变换， 则两类样本的协方差分别 为wTΣ0w和wTΣ1w， 考虑最小 化wTΣ0w+wTΣ1w和最大化 则可得到欲最大化的目标： 定义“类内散度矩阵 ”： 以及“类间散度矩阵 ”： Sb＝( μ0‑μ1)( μ0‑μ1)T          (5) 则式(3)可以重新写为： 令wTSww＝1， 则式(6)等 价为： 再由拉格朗日乘法可以解得： 对其进行奇异值分解， 得到 后就可以根据式(8)计算出w。权　利　要　求　书 2/2 页 3 CN 114330451 A 3