论文部分内容阅读
脑-机接口(Brain-Computer Interface,BCI)允许用户利用大脑活动来控制独立于周围神经和肌肉的外部设备。BCI系统通常使用大脑信号来收集用户的意图信息,而脑电图(Electroencephalogram,EEG)是BCI系统中应用最为广泛的大脑信号。BCI技术给许多应用领域带来了革命性的变化,例如文本输入系统、脑卒中患者康复训练系统、新型游戏控制、用户心理状态评估等。BCI技术的发展给严重行动障碍患者的日常生活带来了极大的便利。分类算法直接影响了 BCI系统的实用性,是BCI系统的关键问题之一,本文着重对脑电分类算法进行探索。与传统分类算法相比,超限学习机(Extreme Learning Machine,ELM)具有泛化能力强、学习速度快等优点。本文以ELM为基础分类器,同时引入稀疏学习、主动学习,对ELM方法进行拓展研究,提高其分类性能,并应用于BCI系统分类场景中。主要工作如下:(1)为了充分学习低信噪比的EEG信号的特征,提出基于Fisher判别的稀疏超限学习机算法,设计一种多层网络结构,充分结合稀疏学习、超限学习机的优势,并将其应用在BCI两类及多分类场景中。首先,对原始EEG信号进行共空间模式(Common Spatial Pattern,CSP)特征初提取,其次使用Fisher判别准则来学习结构化字典,并在此基础上求出更具判别性的稀疏编码系数,稀疏重构以提取更高级的特征信息,最后对新的特征进行识别分类。所提方法在UCI数据集以及脑电 BCI Competition Ⅲ Dataset Ⅳa、Ⅲa 及 BCI Competition Ⅳ DatasetⅡa数据集上取得不错的分类效果。(2)标记EEG信号需要耗费大量人力、物力,现实场景中更多的是大量无标签EEG信号,而传统有监督学习方法依靠少量的有标签数据无法获得足够优秀的分类表现。针对此问题,本文提出一种双规则主动超限学习机方法,将主动学习融合于超限学习机算法中,充分利用无标签数据,减少对有标签数据的依赖。首先采用不确定采样准则选择一定数量的候选无标签样本,然后利用改进的多样性策略来评估无标签候选样本的多样性,最后引入平衡参数,挑选出信息量最大的且具有代表性的数据进行标注,并更新ELM分类模型。该方法在标准数据集和BCI Competition IV Dataset IIa上进行实验验证,实验结果表明该方法相较于其他主动学习分类模型有更好的分类性能。