10.3969/j.issn.1000-3428.2015.06.029
引入迁移学习的癫痫EEG信号自适应识别
在脑电图( EEG)信号识别中,EEG信号的采样环境、病人状态的多样性导致分类器训练所用的源域与分类器测试所用的目标域不匹配,分类器在目标域上表现不佳。为此,引入邻域适应策略,提出一种基于子空间相似度的改进主成分分析特征提取方法( SSM-PCA),在选择主成分时,考虑源域和目标域数据的几何和统计特性,并结合迁移学习分类器大间隔投射迁移支持向量机( LMPROJ),给出以SSM-PCA为基础的LMPROJ分类识别方法。实验结果表明,与结合PCA特征抽取技术和K近邻分类器实现的识别方法相比,该方法在识别正确率方面得到较大提升。
特征迁移、迁移学习、脑电图信号、特征提取、分布多样性、主成分分析
TP391(计算技术、计算机技术)
国家自然科学基金资助项目61170122;教育部新世纪优秀人才支持计划基金资助项目NCET-12-0882。
2015-07-02(万方平台首次上网日期,不代表论文的发表时间)
共7页
158-164