标签均值的自训练半监督支持向量机用于EEG分类

摘要：

研究半监督学习方法在EEG分类中的应用.结合标签均值和自训练思想提出两种新的半监督支持向量机方法.首先通过未标记样本的预测值估计标签均值,然后对未标记样本的标签进行优化.在此基础上提出了两种半监督支持向量机方法,一种是基于多核学习的标签均值自训练半监督支持向量机(Means4vm_mkl)；一种是基于迭代优化的标签均值自训练半监督支持向量机(Means4vm_iter).对BCI Competition Dataset中的3组数据进行仿真实验,讨论分类正确率和运算效率两个指标.结果表明,两种方法均有较高的分类正确率,尤其在BCI Ⅰ数据集中,Means4vm_mkl方法达到了竞赛第一名的水平96％；而且运算效率较高,最快的只需29.5s,为在线BCI系统的设计奠定了基础.

关键词：脑电图、半监督学习、支持向量机、标签均值、脑-机接口

分类号：R318(医用一般科学)

资助基金：国家自然科学基金60504035,61074195;河北自然科学基金F2010001281.A2010001124

在线出版日期：2011-12-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：666-672