基于迁移学习的运动想象脑电信号分类研究

摘要：

由于单个被试的运动想象脑电训练样本较少,且不同被试的脑电个体差异较大,导致大脑运动想象任务分类正确率不高、训练校准时间过长.本文提出一种欧几里得对齐-正则共空间模式的迁移学习方法,实现在样本和特征上同时进行迁移.通过数据对齐的迁移方法使不同被试间样本分布更相似,采用正则化迁移方法改进共空间模式,提取出更鲁棒的空间特征信息.对BCI competition运动想象脑电数据集进行仿真测试,右手和右脚运动想象任务的平均分类正确率可以达到87.10％;在小训练样本集上,本文的迁移学习方法相比共空间模式方法,其平均分类正确率提高了14.43％;对于跨被试的运动想象脑电,平均分类正确率提高了23.5％.实验结果表明,该方法可以有效提高小样本、跨被试运动想象脑电的分类正确率,减少模型校准训练时间,提高泛化能力.

关键词：运动想象、迁移学习、个体差异、小样本

所属期刊栏目：36

分类号：R318;TN911.7;TP18(医用一般科学)

资助基金：山西省回国留学人员科研资助项目;太原市小店区产学研合作科技专项资助项目

在线出版日期：2022-09-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：376-383