论文部分内容阅读
脑机接口(brain-computer interface,BCI)能够不依赖于外周神经和肌肉组织,实现人脑对外界设备的直接控制,被广泛应用于医疗康复、教育、智能家居等领域。脑电图(electroencephalogram,EEG)是应用电极在头皮表面记录的自发脑电活动。然而由于EEG信号的非平稳性等特点,传统的脑机接口系统往往需要当前用户执行耗时的训练阶段来获取足够多的标注样本,进而建立可靠的分类模型。但是较长的训练时间加重了用户的负担,降低了脑机接口系统的实用性。运动想象脑电是脑机接口中一种常用的脑电信号,本文引入迁移学习思想用于减少运动想象脑机接口系统所需的训练时间。一般而言,可以通过迁移学习利用其他受试者的有标签EEG样本辅助当前受试者的分类模型训练。在这种学习模式下,无需获取当前受试者的大量有标签EEG样本就能够得到性能良好的分类器,从而减少了当前受试者耗费的训练时间。目前,大多数应用于脑机接口中的迁移学习算法仍然需要当前受试者的少量有标签EEG样本。与此不同,本文提出的算法只利用当前受试者的无标签EEG样本进行知识迁移。本文的主要研究工作如下:(1)提出一种黎曼几何框架下流形嵌入分布对齐的迁移学习算法,该算法以EEG的空间协方差矩阵为初始特征,通过黎曼切平面映射生成具有判别性的向量特征,并进一步结合流形特征变换、集成分布对齐的分类器来对齐不同受试者EEG样本的特征分布,从而生成适用于目标受试者EEG分类任务的预测模型。在公开的运动想象数据集上的实验结果验证了该迁移算法的有效性。(2)提出一种基于卷积神经网络的迁移学习算法,该算法为用于运动想象脑电分类任务的卷积神经网络引入CORAL损失,该损失通过最小化不同受试者EEG深层特征之间的二阶统计量(协方差矩阵)差异来减少领域之间的偏移。通过对神经网络的分类损失和CORAL损失的联合训练,可以生成预测模型对目标受试者的EEG进行分类。实验证实,该迁移学习算法能够显著提高目标受试者EEG的分类准确率。