基于迁移学习的脑电信号分类算法研究

发布时间：2020-03-24 18:29

【摘要】：脑机接口(Brain-Computer Interface,BCI)系统能够在不依赖于人的肌肉组织的情况下,通过解读脑电信号并转化为控制命令来控制外部设备,从而完成人机交互过程。这为有运动障碍或是神经障碍的病患提供了一种与外界交流的方式。目前BCI系统在实际应用过程中仍然存在着很多问题。为了缩短BCI系统使用前的训练时间,减轻用户负担,本文提出了用于减少BCI系统的标定时间的迁移学习算法,研究工作如下:1)从实例权重的角度提出了一种基于实例权重的迁移学习算法。算法根据源领域和目标领域的数据的边缘分布相似性初始化源领域数据权重,然后根据它们的条件分布相似性挑选有用的加权源领域样本加入到目标领域训练集中参与模型训练,解决了目标领域训练数据过少的问题。2)从模型参数共享的角度提出了基于参数共享的迁移学习算法。本章考虑EEG信号特征是矩阵形式而不是向量形式,在时空特征分解的Logistic回归模型(time-space feature decomposition Logistic regression,FD-LR)中的参数可解释为通道权重参数和时域特征权重参数。基于P300脑电信号时域特征稳定的特点,FD-LR模型可以共享时域特征参数,本章提出了多任务FD-LR(multi-task FD-LR,MT-FD-LR)算法。然后从两方面改进了MT-FD-LR,一是将MT-FD-LR和实例权重方法以及最大均值差异(Maximum Mean Discrepancy,MMD)相结合,将多任务学习模型推广到迁移学习模型中;二是将MT-FD-LR推广到贝叶斯框架中,提升了模型的泛化能力。3)将共享时域特征参数的MT-FD-LR算法推广到共享时域滤波层的卷积神经网络中,提出了基于卷积神经网络的迁移学习算法。该算法在目标领域只有少量训练样本时具有优异的性能。实验结果表明,本文提出的算法都能在少量训练样本情况下训练得到可靠的分类模型,与未迁移源领域的知识的传统机器学习算法相比,能够得到较好的准确率,因而可以一定程度上解决BCI系统训练时间长的问题。
【图文】：

范式,国际,字符矩阵,权重

t 没有给出明确的权重初始化算法；算法 2 基于源样本的权重。数据来自于国际脑机接口竞赛和在本实验室的 P行简单介绍。竞赛数据接口竞赛的 P300 诱发电位数据使用 BCI2000 的试者（Subject A、Subject B）的 P300 脑电数据。字符矩阵，如图 3-1 所示。受试者的任务是注视所有的行和列以 5.7Hz 的频率随机依次闪烁。1符，它们的闪烁可以就是小概率事件。因此这包00 电位。

正态分布,算法,权重,数据点

效性验证有效性，本文进行了两个实验。法 1 有效性的直观理解，我们将算法 1 用本构成，100 个由正态分布 ( |( 1, 1) ,TN x 由正态分布 ( |(1,1) , )TN x I 生成的视为源领图中我们可以看出，在源领域的数据中，权重，这也是我们可以预期到的结果。实验点是目标领域数据点，其他的数据点是源，，其中蓝色的数据点的权重高于 0.5。这些标领域数据更相似。图 3-3 直观地展示了算似与目标领域的数据分配更高的权重。
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R318;TN911.7;TP18

【相似文献】