在腦機(jī)接口系統(tǒng)研究中,基于黎曼流形的協(xié)方差矩陣在運(yùn)動(dòng)想象特征提取中應(yīng)用廣泛,但維度災(zāi)難一直是不可避免的問題。提出一種融合人工智能聯(lián)合互信息和廣義判別分析的特征降維方法稱之為SJ-GDA,其對(duì)高維向量進(jìn)行智能降維。SJ-GDA方法首先采用Semi-JMI對(duì)特征向量進(jìn)行特征排序,進(jìn)而利用GDA對(duì)排序后的部分向量智能降維,融合兩類向量構(gòu)造最終特征。將最終特征輸入文中提出的DT-KNN決策樹框架進(jìn)行人工智能多類運(yùn)動(dòng)人想象識(shí)別,結(jié)果表明提出的算法在左手、右手、腳和口四類運(yùn)動(dòng)想象任務(wù)識(shí)別中Kappa系數(shù)從0. 57提高到了0. 607。

【文章頁(yè)數(shù)】：6 頁(yè)

【文章目錄】：
1 試驗(yàn)數(shù)據(jù)
2 理論方法
    2.1 黎曼幾何
    2.2 人工智能監(jiān)督聯(lián)合互信息
    2.3 廣義判別分析
    2.4 DT-KNN決策樹分類框架
3 試驗(yàn)結(jié)果
4 結(jié)論



本文編號(hào)：3801778