论文部分内容阅读
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。主要工作如下:(1)为了抑制危险的无标签样本对半监督模型的影响,提出了基于协同表示的安全半监督超限学习机(CR-SSELM)算法,并将其应用于脑电信号分类研究中。首先利用对偶学习策略设计出无标签样本风险项,嵌入到SS-ELM的目标函数中,然后通过正则项的约束训练出CR-SSELM分类模型,最后对测试样本进行分类。在公开的脑电数据集Competition IV Dataset 2a上进行了测试,实验结果表明:9位中有4位受试者数据在无标签EEG样本加入训练后,确实会导致半监督SS-ELM方法的性能劣于有监督的ELM方法,然而此时CR-SSELM的性能仍然高于ELM,表明本文的安全策略充分发挥出了样本安全控制能力。(2)在半监督学习中,分类器的性能非常依赖于邻接图的构造质量,原因是图的质量能够有效地反映出样本的特征分布。而传统的SS-ELM方法仅仅利用样本间的相似性来构造邻接图,对非线性函数的逼近能力可能存在不足,同样对样本分布变化的跟踪能力也会较差。为此,本文提出了一种基于图平衡正则化的半监督超限学习机算法,通过非负权值自适应调节标签一致性图和样本相似性图之间的比例来获取高质量的图,并利用获取的图构造出流形正则项后,约束模型训练,最终获得高性能的分类模型。该方法在公开的脑电数据集Competition IV Dataset 2a和BCI Competition III Dataset 4a上进行测试,实验结果表明本文的构图策略能有效地提升图的质量,获得的分类性能明显优于原始的SS-ELM算法。