發(fā)布時(shí)間：2021-09-07 15:27

　　為了減少枯燥和耗時(shí)的訓(xùn)練進(jìn)程和提高腦機(jī)接口系統(tǒng)的分類率,將半監(jiān)督學(xué)習(xí)運(yùn)用到了運(yùn)動(dòng)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(biāo)記的數(shù)據(jù)進(jìn)行學(xué)習(xí),然后使用置信度評估準(zhǔn)則從未標(biāo)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(biāo)記樣本和大量未標(biāo)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(yùn)動(dòng)想象腦電的分類率。 

【文章來源】：計(jì)算機(jī)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(gè)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(yùn)動(dòng)區(qū)域，見圖3）的數(shù)據(jù)并分析每通道3.5 s運(yùn)動(dòng)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(yùn)動(dòng)想象數(shù)據(jù)劃分1 s的時(shí)間窗口，0.5 s的窗口重疊，導(dǎo)致有6個(gè)時(shí)間窗口數(shù)據(jù)，24個(gè)CSP特征（每個(gè)時(shí)間窗口提取了4個(gè)CSP特征），然后使用DBI選擇6個(gè)對應(yīng)最小DBI值的特征。這里之所以選擇6個(gè)特征，是因?yàn)橹髸?huì)對CSP和SOCSP結(jié)合半監(jiān)督進(jìn)行比較，而對CSP算法來說，提取超過6個(gè)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(gè)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(xiàn)】：
期刊論文
[1]采用Fisher線性判別分析進(jìn)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(bào)(自然科學(xué)版). 2013(12)



本文編號：3389790