基于协方差的MI-EEG信号域适应算法研究

发布时间：2020-06-16 15:54

【摘要】：运动想象脑机接口(Motor Imagery based Brain Computer Interface,MI-BCI)用户在实验过程中,由于脑电信号(Electroencephalography,EEG)的统计特性变化,导致了训练和测试样本特征位置不一致,进而影响了支持向量机等分类算法在BCI中的应用。常见的解决方法是用户在每次使用前都进行长时间的离线训练,大大限制了MI-BCI系统的可用性。针对这一问题,本文将迁移学习中的域适应方法引入MI-BCI中,提出了基于协方差的域适应算法使上述样本的统计更趋近于一致,并面向如下三个具体问题设计了度量协方差矩阵差异的具体方法:首先,在单个用户单一实验运动想象信号统计特性产生变化的情况下,本文对基于KL散度的KLDA域适应算法改进得到KLDA-WT算法。KLDA-WT算法使用支持向量机的输出概率对测试样本进行加权,并引入基于向量p范数的阈值作为算法使用的判定标准,使其能用于样本不平衡情况并能筛选具有较大变化的测试样本。相比于无域适应算法,本文中的所有用户使用KLDA-WT算法后准确率均能保持不下降,并对个别用户取得了最高近8%的准确率提升。其次,在单个用户不同组实验运动想象信号统计特征产生变化的情况下,本文用协方差矩阵元2-范数代替KL散度得到S2norm-Wtr算法,解决了KL散度不可微引起的求解困难,保证了S2norm-Wtr算法进一步的改进空间。该算法根据不同实验组的情况对所求映射矩阵的迹进行约束,并使用含箱型约束的目标函数代替目标函数,之后考虑协方差矩阵各个元素的平稳性和重要性对目标函数进行加权。仿真结果S2norm-Wtr算法略优于KLDA算法;相比于无域适应算法,S2norm-Wtr能提升除A06用户外其余用户的准确率,平均提升5.87%,最大达15.13%。在小样本情况下,S2norm-Wtr与重新离线训练所得结果持平,表明取消离线训练过程用域适应方法代替是可行的。最后,针对个别用户其EEG信号特征协方差中的元素统计特性不稳定的问题,本文设计了一种基于e指数的差异度量方法,利用小范围替代训练样本协方差的平均值计算映射矩阵。结果表明,EXP-Wtr算法可以提升上述用户在不同实验组中的分类准确率,具有更广泛的适用范围。本文提出了基于协方差的域适应算法,并针对上述三类问题设计了不同的协方差矩阵差异度量方法,使域适应算法更稳定,提升了整体的分类准确率,减少离线训练时间,使得这类算法在BCI系统中更具应用可能性。
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN911.7
【图文】：

去同步

介绍了本文中所使用的 MI-BCI 系统的实现流程并对其中各个步骤所法进行了说明。 MI-BCI 系统原理与算法介绍.1MI-EEG 信号的可分性1994 年，Pfurtscheller 等人发现，当用户手指运动时，大脑皮层的手发生 μ 节律(8-12Hz)和 β 节律(14-30Hz)的事件相关去同步(event rnchronization, ERD)/事件相关同步(event related synchronization, ERS例如，用户想象自己的左手运动时，在用户右侧运动皮层区域记录的的能量会明显下降，对左侧会明显上升，类似的情况会发生在用户想动的情况，如图 2-1 所示。与此类似，脚步的动作会引发大脑皮层的区域发生 ERS 现象。运动想象 BCI 系统的就是利用不同运动想象下大域的 EEG 信号会产生 ERD/ERS 现象，将想象运动时不同的脑电模式提取和识别，转换成不同的控制命令来实现不同的控制。

电极,位置,实验范式,屏幕显示

图 2-3 EEG 电极(左图)和 EOG 电极(右图)位置-4 用户 A01 第一组实验的第一个左手运动想象样本的屏幕显示十字提示开始运动想象休息声音提示0 1 2 3 4 5 6 7 t/s图 2-5 数据集 2a 的实验范式

【相似文献】