基于迁移学习的眼电分类研究与应用

发布时间：2020-06-10 10:12

【摘要】：随着人工智能、物联网的发展,生物电信号中的眼电(EOG)已经成为了当今人机交互和医学康复领域的热点研究方向,在功能辅助和环境控制领域有广阔的市场前景。传统的EOG系统对于新受试者而言,需要该受试者进行长时间的离线训练以获取分类器模型,该过程耗时长,用户体验差,不利于EOG系统的推广。所以如何取消新受试者的漫长训练阶段具有很大研究价值。新受试者没有参与离线训练,要求直接进行在线实验,可以利用其他受试者的实验数据训练模型,再将该模型用到新受试者上,这是迁移学习的问题。本文从单源域的EOG迁移学习算法入手,再扩展到多源域的迁移学习算法,最后设计了基于迁移学习的EOG系统。针对单源域的EOG迁移问题,首先尝试使用LDA和SVM两种基础分类器直接进行迁移,结果是SVM的迁移效果好于LDA。随后引入测地线核(GFK)算法对源域和目标域样本进行映射后再使用基础分类器进行迁移,GFK显著的提高了LDA的迁移效果,但是对SVM无明显提升,所以对GFK算法进行了改进,最后通过实验证明了改进的GFK优于原始GFK算法。针对多源域的EOG迁移问题,首先尝试使用集合策略,实验结果表明最适用于集合策略的基础分类器是KNN。对适用于多源域EOG迁移问题的直推式参数迁移(TPT)算法进行分析后,通过引入不同的个性分类器获取方法、不同的核矩阵计算公式、和不同的回归算法对TPT算法进行了改进。结果证明改进后的TPT算法相较于原始TPT算法取得了较大的提升。最后设计了一种基于迁移学习的EOG系统,并利用云平台解决了本地运算力不足的问题,对于新受试者来说,该系统完全不需要训练。系统在算法的选用上分为两个阶段,第一阶段使用KNN-SVM,而当系统中的云端接受到足够多的受试者样本后,进入第二阶段,转而使用通过TPT算法得到的新受试者的模型,最后通过实验证实该系统了对于新受试者而言无需训练的可行性。
【图文】：

人机交互界面

图 2-2 EOG 人机交互界面2.1 眼电信号采集无论是采集脑电还是采集眼电，都需要多个用于生物电位记录的电极来获取实时的电位变化，电极设计的宗旨是，一方面要电阻尽可能的低；另一方面是能够长期的使用，稳定性好；一般可以选用金或者银来制成电极，金和银稳定而且电阻低，但是相应的价格较高；所以有很多电极是由 Ag/AgCl 混合制成，既能够满足导电性好，稳定性好的要求，又能降低成本。电极制作完成之后需要贴在脑部皮肤上才能采集到眼电信号，而通常上层皮肤的导电性很差，所以需要在放置电极的皮肤上涂上基于氯化钠制成的导电凝胶，导电凝胶导电性好而且因为其浓度较低，不会造成皮肤刺激，所以可以安全使用。眼电采集的导联方式有单级导联方式和双级导联两种方式，对于眨眼信号的分类而言，只需单个通道垂直方向的眼电信号即可，，另外再加上两个参考电极，一共只需三个

维度,相关性,分类器,系数

-SVM 后得到的平均准确率达到了 91.27%，超过了 KNN法实验 30 位受试者的数据训练出 30 个 SVM（Linear 核）分类器类超平面和截距拼接为参数向量，就可以得到一组 SVM 源域迁移实验以及本章对照组实验中在选取合适的 C 时拟合效果，而在此处，C 的选取将会更加注重拟合效果，叉验证的策略。者眼电数据都是 150 维的，所以得到的分类超平面w也是量后，的维度变成了 151 维，记每个维度上的数据为用这 30 个 151 维的向量分析每个特征维度之间的相关性相关系数，并取前 10 个维度特征两两之间的相关系数作
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN911.7;TP181

【参考文献】