论文部分内容阅读
基于脑电信号的脑机接口(Brain-Computer Interface,BCI)技术研究的是在大脑与外部设备之间建立新的通道,而不依赖于外周神经和肌肉等正常输出通路,实现人脑与计算机或者其他电子设备系统的通讯和控制。这种新型人机交互技术可以为思维正常但存在严重运动障碍的患者提供与外界交流和控制的途径,在医疗康复领域有重大应用价值,同时也在新型娱乐、工业、军事等领域也具有潜在的实用价值。在传统的机器学习中,为保证训练得到的分类模型准确可靠,都有两个基本假设:(1)学习的训练样本与新的测试样本满足独立同分布条件;(2)必须有足够可利用的训练样本才能学习一个好的分类模型。而在BCI系统中,脑电信号的非平稳性导致同一实验对象不同环节信号统计分布不相同,限制了大量训练数据的可复用性,因此传统的BCI系统在正式使用前都需要重复进行长时间训练。所以,如何从降低训练样本数量要求,缩短训练时间一直是脑机接口的难点之一。本文围绕脑机接口面临的上述问题,提出了两种基于迁移学习的脑机接口分类算法。主要研究成果包括:1.提出一种基于自训练支持向量机的迁移学习方法。本文以自训练支持向量机的半监督学习方法为基本框架,在自训练过程中预测目标对象测试集中未标注样本的标签,并利用目标训练集和辅助训练集共同计算分类标签的置信度,然后选择置信度大的未标注样本及其预测标签加入目标对象训练集,扩大训练集规模,解决了目标对象训练过程样本过少的问题。2.提出一种基于共同空间模式的迁移学习方法。该方法以共同空间模式特征提取方法为基础,计算了目标对象训练集和其余对象辅助训练集之间的相似度,根据两者之间的相似度重构目标对象训练集的特征数据,再建立新的分类模型,从而提高分类器的准确度。实验结果证明,这两种方法实现了目标在少量训练样本情况下训练可靠的分类模型,并且最终与未迁移知识的训练情况相比,取得了较好的分类准确率。