基于半监督宽度学习的脑电信号分类研究.pdfVIP

摘要

脑机接口(Brain-ComputerInterface,BCI)是直接解码大脑想法并转换成控制

命令控制设备与外界进行交互的先进控制系统。BCI系统的发展在许多领域具有

实际应用，如轮椅控制、AI(ArtificialIntelligence)智能、虚拟现实游戏等。而在

生物医学领域，BCI系统主要为行动不便的病人恢复运动能力提供技术支持。在

BCI系统中，脑电图(Electroencephalogram,EEG)是应用最多的脑电信号之一，具

有反应大脑生理和思想情绪等信息的功能。如何有效快速地分类EEG信号表现

大脑的思维是BCI技术的关键之一，所以寻找一种泛化性能好、学习速度快的

分类算法非常重要。本文基于宽度学习(BroadLearningSystem,BLS)开展了EEG

信号分类的研究，具体研究内容如下：

(1)针对原始宽度学习仅使用有标签样本应用于有监督领域的问题，提出了

图半监督宽度学习算法。先对运动想象数据集使用共空间模式进行特征提取，接

着把处理后样本经过图标签扩散法得到无标签样本的标签，并将其加入到半监督

宽度学习中，最后用测试集进行分类测试。实验结果证实本算法在3个脑电数据

集上均有不错的表现，比有监督BLS算法分类结果更好，并且与其他分类算法

对比也表明本算法在脑电信号分类上效果理想。

(2)针对半监督学习中无标签样本安全性问题，提出了迁移半监督宽度学习

算法。引入迁移学习中分布自适应方法和流形正则项到宽度学习，将有标签样本

迁移到无标签样本，从而降低无标签样本安全性，同时流形正则项使用到无标签

样本信息，进一步提高本算法的分类性能。该算法在三个脑电数据集上进行实验

测试，并与7种方法进行对比，实验结果证实本算法比其他算法更适合脑电信号

分类。此外，本算法在UCI的部分公开数据集上进行分类实验，结果进一步证

明其分类准确率高。

关键词：脑电信号，运动想象，宽度学习，迁移学习

ABSTRACT

BCIisasystemthatcontrolsexternalequipmentthroughbrainthoughts.The

developmentofBCIsystemhaspracticalapplicationsinmanyfields,suchas

wheelchaircontrol,AI(ArtificialIntelligence)intelligence,virtualrealitygames,etc.

Inthefieldofbiomedicine,theBCIsystemmainlyprovidestechnicalsupportfor

patientswithmobilityimpairmentstorestoretheirexercisecapabilities.InBCI

system,electroencephalogramisoneofthemostusedEEGsignals,whichhasthe

functionofreflectingbrainphysiology,thoughtsandemotions.Howtoeffectively

andquicklyclassifyEEGsignalstojudgebrainthoughtisoneofthekeystoBCI

technology.Therefore,itisimportanttofindaclassificationalgorithmwithgood

generalizationandfastspeed.Thispapercarriedouttheresearch