基于協(xié)方差的MI-EEG信號域適應(yīng)算法研究

發(fā)布時間：2020-06-16 15:54

【摘要】：運動想象腦機接口(Motor Imagery based Brain Computer Interface,MI-BCI)用戶在實驗過程中,由于腦電信號(Electroencephalography,EEG)的統(tǒng)計特性變化,導(dǎo)致了訓(xùn)練和測試樣本特征位置不一致,進而影響了支持向量機等分類算法在BCI中的應(yīng)用。常見的解決方法是用戶在每次使用前都進行長時間的離線訓(xùn)練,大大限制了MI-BCI系統(tǒng)的可用性。針對這一問題,本文將遷移學(xué)習(xí)中的域適應(yīng)方法引入MI-BCI中,提出了基于協(xié)方差的域適應(yīng)算法使上述樣本的統(tǒng)計更趨近于一致,并面向如下三個具體問題設(shè)計了度量協(xié)方差矩陣差異的具體方法:首先,在單個用戶單一實驗運動想象信號統(tǒng)計特性產(chǎn)生變化的情況下,本文對基于KL散度的KLDA域適應(yīng)算法改進得到KLDA-WT算法。KLDA-WT算法使用支持向量機的輸出概率對測試樣本進行加權(quán),并引入基于向量p范數(shù)的閾值作為算法使用的判定標(biāo)準(zhǔn),使其能用于樣本不平衡情況并能篩選具有較大變化的測試樣本。相比于無域適應(yīng)算法,本文中的所有用戶使用KLDA-WT算法后準(zhǔn)確率均能保持不下降,并對個別用戶取得了最高近8%的準(zhǔn)確率提升。其次,在單個用戶不同組實驗運動想象信號統(tǒng)計特征產(chǎn)生變化的情況下,本文用協(xié)方差矩陣元2-范數(shù)代替KL散度得到S2norm-Wtr算法,解決了KL散度不可微引起的求解困難,保證了S2norm-Wtr算法進一步的改進空間。該算法根據(jù)不同實驗組的情況對所求映射矩陣的跡進行約束,并使用含箱型約束的目標(biāo)函數(shù)代替目標(biāo)函數(shù),之后考慮協(xié)方差矩陣各個元素的平穩(wěn)性和重要性對目標(biāo)函數(shù)進行加權(quán)。仿真結(jié)果S2norm-Wtr算法略優(yōu)于KLDA算法;相比于無域適應(yīng)算法,S2norm-Wtr能提升除A06用戶外其余用戶的準(zhǔn)確率,平均提升5.87%,最大達(dá)15.13%。在小樣本情況下,S2norm-Wtr與重新離線訓(xùn)練所得結(jié)果持平,表明取消離線訓(xùn)練過程用域適應(yīng)方法代替是可行的。最后,針對個別用戶其EEG信號特征協(xié)方差中的元素統(tǒng)計特性不穩(wěn)定的問題,本文設(shè)計了一種基于e指數(shù)的差異度量方法,利用小范圍替代訓(xùn)練樣本協(xié)方差的平均值計算映射矩陣。結(jié)果表明,EXP-Wtr算法可以提升上述用戶在不同實驗組中的分類準(zhǔn)確率,具有更廣泛的適用范圍。本文提出了基于協(xié)方差的域適應(yīng)算法,并針對上述三類問題設(shè)計了不同的協(xié)方差矩陣差異度量方法,使域適應(yīng)算法更穩(wěn)定,提升了整體的分類準(zhǔn)確率,減少離線訓(xùn)練時間,使得這類算法在BCI系統(tǒng)中更具應(yīng)用可能性。
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TN911.7
【圖文】：

去同步

介紹了本文中所使用的 MI-BCI 系統(tǒng)的實現(xiàn)流程并對其中各個步驟所法進行了說明。 MI-BCI 系統(tǒng)原理與算法介紹.1MI-EEG 信號的可分性1994 年，Pfurtscheller 等人發(fā)現(xiàn)，當(dāng)用戶手指運動時，大腦皮層的手發(fā)生 μ 節(jié)律(8-12Hz)和 β 節(jié)律(14-30Hz)的事件相關(guān)去同步(event rnchronization, ERD)/事件相關(guān)同步(event related synchronization, ERS例如，用戶想象自己的左手運動時，在用戶右側(cè)運動皮層區(qū)域記錄的的能量會明顯下降，對左側(cè)會明顯上升，類似的情況會發(fā)生在用戶想動的情況，如圖 2-1 所示。與此類似，腳步的動作會引發(fā)大腦皮層的區(qū)域發(fā)生 ERS 現(xiàn)象。運動想象 BCI 系統(tǒng)的就是利用不同運動想象下大域的 EEG 信號會產(chǎn)生 ERD/ERS 現(xiàn)象，將想象運動時不同的腦電模式提取和識別，轉(zhuǎn)換成不同的控制命令來實現(xiàn)不同的控制。

電極,位置,實驗范式,屏幕顯示