基于小样本学习的精分患者脑电信号分析方法.pdf

第23卷第2期太原师范学院学报（自然科学版）Vol.23No.2

2024年6月JOURNALOFTAIYUANNORMALUNIVERSITY(NaturalScienceEdition)Jun.2024

基于小样本学习的精分患者脑电信号分析方法

贾亦非1,尹梦真²，王懋云²,王佳明²

（1.太原学院计算机科学与技术系，山西太原030032;2.太原师范学院计算机科学与技术学院，山西晋中030619）

【摘要】目前很多机器学习方法都建立在大量数据的需求上，但在实际的生产生活中，有时很

难获得大批量的数据.本文提出将小样本学习技术应用于脑电信号分析上，以增强分类精度，提高

分析性能。实验通过对采集到的脑电信号进行预处理，再将其通过预训练模型的卷积层和池化层

输出的高维特征向量作为输入数据进行特征提取，最后用小样本学习训练模型，实现在数据集规模

较小的情况下达到较好的分类或预测效果.该方法结合了卷积神经网络和元学习的思想，通过在

少量标记数据上进行训练，实现了对未标记数据的快速适应，实验结果表明，该方法在小样本情况

下具有更好的分类精度和泛化能力，相较于传统的机器学习方法，具有更高的应用价值，可以为精

神分裂症疾病的诊断提供参考。

【关键词】小样本学习；脑电信号；卷积神经网络；分类精度；精神分裂症

【文章编号】1672-2027(2024)02-0035-07【中图分类号】TN911.7;R749【文献标识码】A

0引言

脑电数据（ElectroencephalogramData,EEGD)[作为记录人脑神经元活动的生理信号，具有重要的临床

诊断和治疗价值.这种信号通过采集头皮表面的电极而产生，然后被放大并转换成数字信号进行保存和分

析，由于脑信号自身存在高维度、非线性、非正态分布等的特点，使其成为一项具有一定难度的课题研究[2]。

脑电信号数据通常是高维度且小样本的，传统的机器学习方法可能需要大量的数据才能获得良好的分类效

果，所以其无法很好地对小样本的脑电信号数据进行分类.因此，如何利用少量数据资源进行训练成为当今

研究的一个重要方向.而小样本学习（SmallSampleLearning,SSL)只需要少量的数据即可达到较好的分类

效果，这有利于深人分析EEGD的特征和规律，在预测EEGD时通常具有更高的准确性.目前基于SSL的

EEGD分析方法主要是通过人为构建脑网络，再利用例如卷积神经网络（ConvolutionalNeuralNetworks，

CNN)[3]、长短期记忆网络等经典算法进行特征提取和分类识别.

SSL已应用到很多领域.比如，,SpyrosGidaris等[4]提出将基于注意力机制的小样本分类权重生成器用于

视觉学习系统，从少量训练数据中高效地学习新的类别，同时不会遗忘训练过的初始类别，并将ConvNet

(CNN)模型的分类器重新设计为特征表示和分类权重向量之间的余弦相似函数.实验表明在小样本识别方

面成功改进，同时在初始类别上也没有牺牲任何准确性.MartinKappel等[5]利用SSL进行业务流程管理，很

多业务记录的数据较少，可供分析的数据达不到机器学习方法的基本要求，而SSL就解决了在数据集数量

不足的环境中实施机器学习方法的问题.PengyiZhang等[6]将SSL用于生物医学图像分析的应用中，在没有

大规模样本的情况下，进一步提高了分析性能，缓解深度学习技术在小样本中面临的困境.项延德等[7]验证

了逐步线性判别分析算法和收缩线性判别分析算法可以在一定程度上改善小样本问题，但无法保证充足样

本下的算法分类准确率.在SSL中，模型容易出现过拟合的情况，针对这一问题，吴智泽等[8]对小样本EEGD

集训练过拟合和类别不平衡的问题进行了研究，提出了有效的解决方案.从很多研究成果可以看出，SSL方

法已成为EEGD分析中的一种热门技术，可以帮助研究人员更好地利用有限的数据进行建模和预测

收稿日期：2024-03-08

基金项目：山西省自然科学研究面上项目（202303021221172)；山西省研究生创新项目（2023SJ276)；太原师范学院研究生创新项目（SYYJSYC

2394）；太原学院院级科研项目（2023TYQN10）

作者简介：贾亦非（1994-），男，山西孟县人，硕士研究生，助