基于贝叶斯模型的迁移学习在脑机接口系统中的应用

发布时间：2021-05-21 10:33

　　脑机接口（brain computer interface,BCI）通过在大脑和外部设备之间建立通信通道,不仅可以使得运动障碍患者重新获得控制外部设备的能力,还可以让脑卒中患者重新恢复与人沟通交流的能力。然而,由于当前用于采集到的脑电信号有限且普遍质量较差,同时来源于不同被试者的脑电信号往往存在一定的差异性,但主流的机器学习算法常常要求数据是服从独立同分布的,因此,在脑机接口系统中,主流的机器学习在泛化性能上往往表现较差。同时脑电信号中大量的特征和较少的数据量也增加了模型过拟合的风险。除此之外,目前大多数机器学习算法需要进行人工或通过交叉验证的方式进行调参,而这些方法需要耗费大量的时间,尤其是模型的训练时间较长时间。针对上述问题,本文根据组稀疏贝叶斯逻辑回归（group sparse Bayesian logistic regression,GSBLR）和组稀疏贝叶斯线性判别分析（group sparse Bayesian linear discriminant analysis,GSBLDA）两种算法提出了基于组稀疏贝叶斯逻辑回归模型的迁移学习算法（transfer learning... 

【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 BCI技术介绍
        1.2.1 BCI系统的组成
        1.2.2 BCI系统的分类
    1.3 BCI技术的研究现状
        1.3.1 P300信号
        1.3.2 错误相关信号
        1.3.3 BCI技术面临的挑战
    1.4 论文研究内容与章节安排
第二章 相关理论基础
    2.1 贝叶斯算法基础
        2.1.1 条件高斯概率分布
        2.1.2 参数估计方法简介
        2.1.3 基于高斯分布的贝叶斯定理
        2.1.4 贝叶斯框架
    2.2 基于模型的迁移学习简介
        2.2.1 迁移学习的定义
        2.2.2 迁移学习的类别
        2.2.3 基于模型的迁移学习
        2.2.4 域自适应在脑机接口系统中的应用
        2.2.5 规则自适应在脑机接口系统中的应用
    2.3 本章小结
第三章 基于GSBLR模型的迁移学习算法在P300 检测中的应用
    3.1 数据集简介
    3.2 基于组稀疏贝叶斯逻辑回归的迁移学习算法
        3.2.1 稀疏贝叶斯逻辑回归
        3.2.2 组稀疏贝叶斯逻辑回归
        3.2.3 模型迁移原理
    3.3 实验设计
        3.3.1 数据预处理
        3.3.2 实验方案
    3.4 实验结果及分析
        3.4.1 与其他算法的比较结果
        3.4.2 重复拼写次数对实验结果的影响
        3.4.3 初始化超参数对实验结果的影响
    3.5 本章小结
第四章 基于GSBLDA模型的集成迁移学习算法在Err P检测中的应用
    4.1 数据集简介
    4.2 算法设计
        4.2.1 组稀疏贝叶斯线性判别分析算法
        4.2.2 模型集成
    4.3 实验设计
        4.3.1 数据预处理
        4.3.2 其他特征类别
        4.3.3 实验方案
    4.4 实验结果及分析
        4.4.1 使用不同类型特征的结果
        4.4.2 不同初始化超参数对实验结果的影响
    4.5 本章小结
总结与展望
    总结
    展望
参考文献
攻读硕士学位期间取得的研究成果
致谢
附件


【参考文献】：
期刊论文
[1]2018年脑机接口研发热点回眸[J]. 陈小刚,王毅军,张丹.  科技导报. 2019(01)
[2]《机器学习》[J]. 周志华.  中国民商. 2016(03)

博士论文
[1]多模态与多自由度脑机接口研究[D]. 余天佑.华南理工大学 2013

硕士论文
[1]基于脑电控制的智能家居系统研究与设计[D]. 秦川.曲阜师范大学 2019
[2]基于VR与EEG的情绪识别系统设计与实现[D]. 纪强.华南理工大学 2017



本文编号：3199552