基于半监督超限学习机的脑电分类研究

发布时间：2021-01-10 08:00

　　脑-机接口（Brain-Computer Interface,BCI）无需依靠脊髓和外围神经肌肉组织的帮助,即可实现大脑对外部设备的直接控制。BCI技术的发展给许多领域带来了改变,在医疗康复、文本输入、军事应用以及娱乐游戏控制等领域中都得到应用,前景相当广阔。但是,BCI作为一种多学科交叉技术,在理论和关键性技术上还存在很多的问题,有待于研究性能更好的模型和方法来推动其发展。脑电图（Electroencephalogram,EEG）作为BCI系统分析中应用最为频繁的大脑信号,能够快速反应大脑生理和思想情绪等信息。但由于EEG信号存在标签代价大以及个体差异性等问题,使得信号很难有效的被有监督方法利用。为此,本文采用了训练速度快、分类性能好的半监督超限学习机（Semi-Supervised Extreme Learning Machine,SS-ELM）作为基分类器来展开研究。在研究中,为了进一步解决EEG信号中无标签样本的安全性和分类性能提升等问题,本文引入对偶学习和流形学习等思想,对SS-ELM方法进行改进,最终提高了半监督学习模型的分类和安全控制能力,并应用于运动想象EEG信号识别。... 

【文章来源】：杭州电子科技大学浙江省

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

各对比方法在标准数据集上的分类准确率柱状图

嫜橹し椒ɑ袢。??且参照章节3.3.5中的参数区间进行寻优，其中本章算法对应EEG数据的最优参数设置为：C101=、=10-2、m=100。3.4.3脑电分类结果比较在脑电信号分类实验中，为了展现本文算法在半监督学习过程中是否存在对无标签样本风险的抑制作用，即在有监督学习算法优于对应的半监督学习算法时，本章算法学习框架仍然能表现出优异的性能。本次实验采用的有监督对比方法是ELM方法，半监督方法是对应的SS-ELM方法，在同样测试和训练样本以及最优参数设置方式下，比较这三种方法的测试分类准确率。最终分类结果展示在图3.5中。图3.5各算法在BCI竞赛数据集上分类准确率对比柱状图从图3.5可以观察到，在运动想象脑电数据测试中，本章算法CR-SSELM具有最佳的平均测试准确率(65.72%)，优于SS-ELM方法(65.36%)，并且在所有的受试者上准确率都优于ELM方法(64.33%)，CR-SSELM方法在9个受试者数据上有7个受试者(1,2,4,5,6,7,8)的测试结果优于SS-ELM方法。同时，本实验还将CR-SSELM算法与其它两种算法的测试结果进行了T检验，检验结果表明CR-SSELM与ELM之间存在显著性差异(p-value=0.001)，而CR-SSELM与SS-ELM之间没有显著性差异(p-value=0.111)。进一步观察实验结果可以发现，其中有4个受试者(1,4,5,7)进行测试时，SS-ELM性能反而劣于ELM算法性能。该现象表明，在加入无标签样本进行训练后，半监督分类器的确存在性能下降的可能，但是加入相同无标签样本的CR-SSELM方法在这4个受试者数据测试中准确率依旧优于ELM方法，可见该安全策略能有效的防止半监督模型性能下滑，


本文编号：2968362