半监督学习的运动想象脑电信号分类

发布时间：2021-09-07 15:27

　　为了减少枯燥和耗时的训练进程和提高脑机接口系统的分类率,将半监督学习运用到了运动想象脑电的分类中,提出了一种基于分段重叠共空间模式的自训练算法,将分段重叠共空间模式作为特征提取算法,使用少量标记的数据进行学习,然后使用置信度评估准则从未标记样本中挑选信息量大的样本来提高线性判别分类器的性能。提出的算法在少量标记样本和大量未标记样本的帮助下,能够获得比基于共空间模式作为特征提取的自训练算法和基于滤波带宽共空间模式作为特征提取的自训练算法有更好的分类效果。使用2005 BCI竞赛的数据集Iva来证明算法的有效性,结果表明了提出的算法能有效提高运动想象脑电的分类率。 

【文章来源】：计算机工程与应用. 2020,56(03)北大核心CSCD

【文章页数】：7 页

【部分图文】：

SOCSP算法流程图

对每个样本数据，根据国际10-20导联系统的电极分布，选择22通道（对应想象运动区域，见图3）的数据并分析每通道3.5 s运动想象数据，然后使用SOCSP算法提取样本特征。其中，将3.5 s运动想象数据划分1 s的时间窗口，0.5 s的窗口重叠，导致有6个时间窗口数据，24个CSP特征（每个时间窗口提取了4个CSP特征），然后使用DBI选择6个对应最小DBI值的特征。这里之所以选择6个特征，是因为之后会对CSP和SOCSP结合半监督进行比较，而对CSP算法来说，提取超过6个以上的特征不能够有意义地提高分类表现[18]，这样选择6个特征使得CSP与SOCSP结合半监督算法的对比更加公平。图3 国际10-20导联系统的电极分布

国际10-20导联系统的电极分布

【参考文献】：
期刊论文
[1]采用Fisher线性判别分析进行MEG信号的分类[J]. 赵海滨,颜世玉,于清文,王宏.  东北大学学报(自然科学版). 2013(12)



本文编号：3389790