基于半監(jiān)督超限學(xué)習(xí)機(jī)的腦電分類研究
發(fā)布時(shí)間：2021-01-10 08:00
腦-機(jī)接口（Brain-Computer Interface,BCI）無需依靠脊髓和外圍神經(jīng)肌肉組織的幫助,即可實(shí)現(xiàn)大腦對(duì)外部設(shè)備的直接控制。BCI技術(shù)的發(fā)展給許多領(lǐng)域帶來了改變,在醫(yī)療康復(fù)、文本輸入、軍事應(yīng)用以及娛樂游戲控制等領(lǐng)域中都得到應(yīng)用,前景相當(dāng)廣闊。但是,BCI作為一種多學(xué)科交叉技術(shù),在理論和關(guān)鍵性技術(shù)上還存在很多的問題,有待于研究性能更好的模型和方法來推動(dòng)其發(fā)展。腦電圖（Electroencephalogram,EEG）作為BCI系統(tǒng)分析中應(yīng)用最為頻繁的大腦信號(hào),能夠快速反應(yīng)大腦生理和思想情緒等信息。但由于EEG信號(hào)存在標(biāo)簽代價(jià)大以及個(gè)體差異性等問題,使得信號(hào)很難有效的被有監(jiān)督方法利用。為此,本文采用了訓(xùn)練速度快、分類性能好的半監(jiān)督超限學(xué)習(xí)機(jī)（Semi-Supervised Extreme Learning Machine,SS-ELM）作為基分類器來展開研究。在研究中,為了進(jìn)一步解決EEG信號(hào)中無標(biāo)簽樣本的安全性和分類性能提升等問題,本文引入對(duì)偶學(xué)習(xí)和流形學(xué)習(xí)等思想,對(duì)SS-ELM方法進(jìn)行改進(jìn),最終提高了半監(jiān)督學(xué)習(xí)模型的分類和安全控制能力,并應(yīng)用于運(yùn)動(dòng)想象EEG信號(hào)識(shí)別。...
【文章來源】：杭州電子科技大學(xué)浙江省
【文章頁數(shù)】：62 頁
【學(xué)位級(jí)別】：碩士
【部分圖文】：
各對(duì)比方法在標(biāo)準(zhǔn)數(shù)據(jù)集上的分類準(zhǔn)確率柱狀圖
嫜櫓し椒ɑ袢。??且參照章節(jié)3.3.5中的參數(shù)區(qū)間進(jìn)行尋優(yōu)，其中本章算法對(duì)應(yīng)EEG數(shù)據(jù)的最優(yōu)參數(shù)設(shè)置為：C101=、=10-2、m=100。3.4.3腦電分類結(jié)果比較在腦電信號(hào)分類實(shí)驗(yàn)中，為了展現(xiàn)本文算法在半監(jiān)督學(xué)習(xí)過程中是否存在對(duì)無標(biāo)簽樣本風(fēng)險(xiǎn)的抑制作用，即在有監(jiān)督學(xué)習(xí)算法優(yōu)于對(duì)應(yīng)的半監(jiān)督學(xué)習(xí)算法時(shí)，本章算法學(xué)習(xí)框架仍然能表現(xiàn)出優(yōu)異的性能。本次實(shí)驗(yàn)采用的有監(jiān)督對(duì)比方法是ELM方法，半監(jiān)督方法是對(duì)應(yīng)的SS-ELM方法，在同樣測(cè)試和訓(xùn)練樣本以及最優(yōu)參數(shù)設(shè)置方式下，比較這三種方法的測(cè)試分類準(zhǔn)確率。最終分類結(jié)果展示在圖3.5中。圖3.5各算法在BCI競(jìng)賽數(shù)據(jù)集上分類準(zhǔn)確率對(duì)比柱狀圖從圖3.5可以觀察到，在運(yùn)動(dòng)想象腦電數(shù)據(jù)測(cè)試中，本章算法CR-SSELM具有最佳的平均測(cè)試準(zhǔn)確率(65.72%)，優(yōu)于SS-ELM方法(65.36%)，并且在所有的受試者上準(zhǔn)確率都優(yōu)于ELM方法(64.33%)，CR-SSELM方法在9個(gè)受試者數(shù)據(jù)上有7個(gè)受試者(1,2,4,5,6,7,8)的測(cè)試結(jié)果優(yōu)于SS-ELM方法。同時(shí)，本實(shí)驗(yàn)還將CR-SSELM算法與其它兩種算法的測(cè)試結(jié)果進(jìn)行了T檢驗(yàn)，檢驗(yàn)結(jié)果表明CR-SSELM與ELM之間存在顯著性差異(p-value=0.001)，而CR-SSELM與SS-ELM之間沒有顯著性差異(p-value=0.111)。進(jìn)一步觀察實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)，其中有4個(gè)受試者(1,4,5,7)進(jìn)行測(cè)試時(shí)，SS-ELM性能反而劣于ELM算法性能。該現(xiàn)象表明，在加入無標(biāo)簽樣本進(jìn)行訓(xùn)練后，半監(jiān)督分類器的確存在性能下降的可能，但是加入相同無標(biāo)簽樣本的CR-SSELM方法在這4個(gè)受試者數(shù)據(jù)測(cè)試中準(zhǔn)確率依舊優(yōu)于ELM方法，可見該安全策略能有效的防止半監(jiān)督模型性能下滑，
本文編號(hào)：2968362
【文章來源】：杭州電子科技大學(xué)浙江省
【文章頁數(shù)】：62 頁
【學(xué)位級(jí)別】：碩士
【部分圖文】：
各對(duì)比方法在標(biāo)準(zhǔn)數(shù)據(jù)集上的分類準(zhǔn)確率柱狀圖
嫜櫓し椒ɑ袢。??且參照章節(jié)3.3.5中的參數(shù)區(qū)間進(jìn)行尋優(yōu)，其中本章算法對(duì)應(yīng)EEG數(shù)據(jù)的最優(yōu)參數(shù)設(shè)置為：C101=、=10-2、m=100。3.4.3腦電分類結(jié)果比較在腦電信號(hào)分類實(shí)驗(yàn)中，為了展現(xiàn)本文算法在半監(jiān)督學(xué)習(xí)過程中是否存在對(duì)無標(biāo)簽樣本風(fēng)險(xiǎn)的抑制作用，即在有監(jiān)督學(xué)習(xí)算法優(yōu)于對(duì)應(yīng)的半監(jiān)督學(xué)習(xí)算法時(shí)，本章算法學(xué)習(xí)框架仍然能表現(xiàn)出優(yōu)異的性能。本次實(shí)驗(yàn)采用的有監(jiān)督對(duì)比方法是ELM方法，半監(jiān)督方法是對(duì)應(yīng)的SS-ELM方法，在同樣測(cè)試和訓(xùn)練樣本以及最優(yōu)參數(shù)設(shè)置方式下，比較這三種方法的測(cè)試分類準(zhǔn)確率。最終分類結(jié)果展示在圖3.5中。圖3.5各算法在BCI競(jìng)賽數(shù)據(jù)集上分類準(zhǔn)確率對(duì)比柱狀圖從圖3.5可以觀察到，在運(yùn)動(dòng)想象腦電數(shù)據(jù)測(cè)試中，本章算法CR-SSELM具有最佳的平均測(cè)試準(zhǔn)確率(65.72%)，優(yōu)于SS-ELM方法(65.36%)，并且在所有的受試者上準(zhǔn)確率都優(yōu)于ELM方法(64.33%)，CR-SSELM方法在9個(gè)受試者數(shù)據(jù)上有7個(gè)受試者(1,2,4,5,6,7,8)的測(cè)試結(jié)果優(yōu)于SS-ELM方法。同時(shí)，本實(shí)驗(yàn)還將CR-SSELM算法與其它兩種算法的測(cè)試結(jié)果進(jìn)行了T檢驗(yàn)，檢驗(yàn)結(jié)果表明CR-SSELM與ELM之間存在顯著性差異(p-value=0.001)，而CR-SSELM與SS-ELM之間沒有顯著性差異(p-value=0.111)。進(jìn)一步觀察實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)，其中有4個(gè)受試者(1,4,5,7)進(jìn)行測(cè)試時(shí)，SS-ELM性能反而劣于ELM算法性能。該現(xiàn)象表明，在加入無標(biāo)簽樣本進(jìn)行訓(xùn)練后，半監(jiān)督分類器的確存在性能下降的可能，但是加入相同無標(biāo)簽樣本的CR-SSELM方法在這4個(gè)受試者數(shù)據(jù)測(cè)試中準(zhǔn)確率依舊優(yōu)于ELM方法，可見該安全策略能有效的防止半監(jiān)督模型性能下滑，
本文編號(hào)：2968362
本文鏈接：http://sikaile.net/kejilunwen/zidonghuakongzhilunwen/2968362.html
最近更新
教材專著
