為了減少枯燥和耗時的訓(xùn)練進程和提高腦機接口系統(tǒng)的分類率,將半監(jiān)督學(xué)習(xí)運用到了運動想象腦電的分類中,提出了一種基于分段重疊共空間模式的自訓(xùn)練算法,將分段重疊共空間模式作為特征提取算法,使用少量標記的數(shù)據(jù)進行學(xué)習(xí),然后使用置信度評估準則從未標記樣本中挑選信息量大的樣本來提高線性判別分類器的性能。提出的算法在少量標記樣本和大量未標記樣本的幫助下,能夠獲得比基于共空間模式作為特征提取的自訓(xùn)練算法和基于濾波帶寬共空間模式作為特征提取的自訓(xùn)練算法有更好的分類效果。使用2005 BCI競賽的數(shù)據(jù)集Iva來證明算法的有效性,結(jié)果表明了提出的算法能有效提高運動想象腦電的分類率。 

【文章來源】：計算機工程與應(yīng)用. 2020,56(03)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

SOCSP算法流程圖

對每個樣本數(shù)據(jù)，根據(jù)國際10-20導(dǎo)聯(lián)系統(tǒng)的電極分布，選擇22通道（對應(yīng)想象運動區(qū)域，見圖3）的數(shù)據(jù)并分析每通道3.5 s運動想象數(shù)據(jù)，然后使用SOCSP算法提取樣本特征。其中，將3.5 s運動想象數(shù)據(jù)劃分1 s的時間窗口，0.5 s的窗口重疊，導(dǎo)致有6個時間窗口數(shù)據(jù)，24個CSP特征（每個時間窗口提取了4個CSP特征），然后使用DBI選擇6個對應(yīng)最小DBI值的特征。這里之所以選擇6個特征，是因為之后會對CSP和SOCSP結(jié)合半監(jiān)督進行比較，而對CSP算法來說，提取超過6個以上的特征不能夠有意義地提高分類表現(xiàn)[18]，這樣選擇6個特征使得CSP與SOCSP結(jié)合半監(jiān)督算法的對比更加公平。圖3 國際10-20導(dǎo)聯(lián)系統(tǒng)的電極分布

國際10-20導(dǎo)聯(lián)系統(tǒng)的電極分布

【參考文獻】：
期刊論文
[1]采用Fisher線性判別分析進行MEG信號的分類[J]. 趙海濱,顏世玉,于清文,王宏.  東北大學(xué)學(xué)報(自然科學(xué)版). 2013(12)



本文編號：3389790