基于半监督学习的运动想象脑-机接口研究

发布时间：2017-04-16 04:17

  本文关键词：基于半监督学习的运动想象脑-机接口研究，，由笔耕文化传播整理发布。

【摘要】：脑-机接口(Brain-computer Interface,BCI)在不依赖脑的正常输出通路(外周神经与肌肉组织)情况下,建立起人脑与计算机或其它电子设备之间的直接通讯和控制。BCI技术能够帮助瘫痪病人提供新的信息交流渠道,提高病人的生活质量,并在医疗领域、认知科学、心理学、军事领域、娱乐和可穿戴智能装备领域具有巨大的实用价值。在脑电信号(Electroencephalogram,EEG)的分类中,传统的监督学习需要采集大量有标记的EEG数据用来训练分类器,但是获得大量的有标记样本的付出代价是昂贵的,因为进行多次试验需要花费大量的时间和精力,容易造成受试者的疲劳,阻碍了BCI系统的发展。而且,随着时间的变化,EEG状态也会发生变化,这使得分类难度进一步升高。但是,未标记的EEG数据却容易得到,如果不利用这些数据,将有大量的无标记EEG数据会浪费,因此使用未标记EEG数据的需求愈发强烈。无监督学习虽然使用未标记的EEG数据训练分类器,但是由于缺乏有标记EEG数据的信息,容易导致模型的泛化能力下降。因此,把半监督学习应用到EEG数据的分类中是非常有意义的,半监督学习只需要采集少量标记的脑电数据训练分类器,再使用大量未标记的脑电数据对分类器进行辅助训练,不仅能够缩短受试者收集标记样本的训练时间和提高分类性能,而且半监督学习本身也是一个自适应的过程,有助于促进BCI自适应性的增强。对受试者而言,收集运动想象的EEG比其它EEG(SSVEP,P300等)更加让人感到枯噪和疲惫,因为每次想象的时间比较长,而且运动想象重复性高。因此,本文研究的基于半监督学习的运动想象BCI拥有更大的研究价值。目前,半监督学习尚处于初始阶段,且还未自成体系,因此存在诸多尚未解决的问题,比如:在半监督学习中,如何去除噪声和提高信噪比,如何准确选择参数,如何在更真实条件下构建协同训练算法,如何融合其它机器学习方法到半监督学习中进一步提高分类性能,如何为在线系统的开发和应用提供模型和框架等问题。本文将半监督学习应用到用户认同度高的运动想象EEG的分类中。针对半监督学习中存在的问题,提出了相应的解决方案。论文的主要研究内容包括以下几个方面:(1)提出了一种基于参数选择的自训练算法(STBMS),利用互信息从一系列支持向量机(SVM)的参数组合中选择到最好的参数对,解决了运动想象BCI自训练中小样本无法利用交叉验证准确选择合适参数的问题。提出一种置信度评估准则,从未标记样本中选择置信度高的样本添加到训练集中重新训练,提高了自训练的分类性能和信噪比。提出了评价特征对噪声的鲁棒性和算法收敛性的两个标准。实验结果证明了参数选择方法与置信度评估准则在提高分类率上的有效性。通过与标准SVM自训练算法的对比,说明了特征的重新提取能够提高特征对噪声的鲁棒性。实验结果也证明了特征对噪声的鲁棒性和算法收敛性这两个标准的有效性。(2)在更真实条件下提出了一种基于衍生FLDA(Fisher Linear Discriminant Analysis)的协同训练算法(CTBMFLDA),并将其应用到运动想象BCI的分类中。此算法在小尺寸样本的基础上构造了两个差异性大的分类器FLDA1和FLDA2,两个分类器分别为对方挑选置信度高的样本,以更新各自的分类器。提出了分别评估STBFLDA和CTBMFLDA提取特征对噪声的鲁棒性的三个参数。实验结果证明了CTBMFLDA在分类率上的表现比基于FLDA的自训练算法(STBFLDA)的好,并证明了评估特征对噪声的鲁棒性这三个参数的有效性。(3)研究了用于运动想象BCI多分类的三种主动学习方法(ALNACD,ALSVMactive和ALEBS),探索了这三种主动学习的样例选择策略:最近平均聚类距离(Nearest Average-class Distance,NACD),SVM主动学习(SVMactive)和信息熵(Entropy-based Sampling,EBS)。提出了融合NACD主动学习的半监督学习算法(SSLCAL),将主动学习和半监督学习的思想结合起来处理运动想象BCI的多分类问题。实验结果证明了这三种主动学习方法和SSLCAL在提高分类率上的有效性,它们可以利用更少的标记样本改善算法的分类性能。(4)提出了一个新的特征提取方法:分段选择共空间模式(Segmented Common Spatial Pattern,SCSP)。利用SCSP作为特征提取方法,提出了基于SCSP的batch-mode增量式顺序更新半监督算法(BMSUST-SCSP),不仅节省了训练时间,而且为在线BCI的开发和应用提供了模型和框架。实验结果证明了每次子集到来后使用多次迭代可以去除噪声、提高信噪比,也证明了SCSP算法提取出的特征比CSP算法对噪声有着更高可靠性和更强的鲁棒性,最后利用互信息说明了随着子集增加,提取出SCSP特征对噪声的鲁棒性在不断增加。(5)基于Neuroscan信号采集系统和运动想象EEG的特点,设计了想象左右手运动EEG的采集实验,使用八种不同的半监督算法对自主采集到的5个受试者的运动想象脑电数据进行分类,实验结果证明了第三章到第六章提出的STBMS,CTBMFLDA,SSLCAL和BMSUST-SCSP在提高分类率上的优势,并分析了各算法的分类性能及影响分类结果的因素。
【关键词】：脑-机接口 半监督学习 运动想象 主动学习 分段选择共空间模式
【学位授予单位】：重庆大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TN911.7
【目录】：

• 中文摘要3-5
• 英文摘要5-11
• 1 绪论11-25
• 1.1 BCI研究基础11-17
• 1.1.1 BCI概念与研究意义11-12
• 1.1.2 BCI系统的组成与分类12-14
• 1.1.3 BCI研究现状14-16
• 1.1.4 BCI存在问题16-17
• 1.2 半监督学习研究背景17-23
• 1.2.1 模式识别与机器学习17
• 1.2.2 半监督学习相关知识17-20
• 1.2.3 半监督学习遇到的问题与挑战20-22
• 1.2.4 半监督分类方法在BCI中的应用22-23
• 1.3 本论文研究内容23-25
• 2 运动想象EEG的特征提取方法研究25-35
• 2.1 基于运动想象的EEG25
• 2.2 EEG的预处理25-27
• 2.2.1 空间滤波26-27
• 2.2.2 频率滤波27
• 2.3 EEG特征提取方法27-33
• 2.3.1 时频分析27-28
• 2.3.2 自回归模型28-29
• 2.3.3 共空间模式29-30
• 2.3.4 滤波带宽共空间模式30-31
• 2.3.5 分段选择共空间模式31-33
• 2.4 本章小结33-35
• 3 参数选择的半监督算法研究35-49
• 3.1 自训练算法介绍35-36
• 3.2 参数选择的半监督算法36-41
• 3.2.1 半监督学习中特征的重新提取36-37
• 3.2.2 支持向量机37-38
• 3.2.3 置信度评估准则38-39
• 3.2.4 结合FBCSP特征重新提取的自训练SVM算法步骤39-40
• 3.2.5 融合参数选择的自训练算法40-41
• 3.2.6 评价标准41
• 3.3 实验与结果分析41-48
• 3.3.1 实验数据描述41-42
• 3.3.2 结果和分析42-48
• 3.4 本章小结48-49
• 4 衍生FLDA的半监督算法研究49-65
• 4.1 协同训练学习介绍49-51
• 4.1.1 协同训练算法49-50
• 4.1.2 协同训练的挑战50-51
• 4.2 衍生FLDA的半监督算法51-57
• 4.2.1 衍生的FLDA分类器51-54
• 4.2.2 基于衍生FLDA的协同训练算法步骤54-56
• 4.2.3 特征鲁棒性的评价参数56-57
• 4.3 实验与结果分析57-63
• 4.3.1 数据描述57-58
• 4.3.2 结果和分析58-63
• 4.4 本章小结63-65
• 5 融合主动学习的半监督多分类研究65-83
• 5.1 主动学习研究65-67
• 5.2 融合主动学习的半监督学习67-68
• 5.3 三种分类器的样例选择策略68-70
• 5.3.1 最近平均聚类距离68-69
• 5.3.2 SVM主动学习69
• 5.3.3 信息熵69-70
• 5.4 多任务分类70-71
• 5.5 基于主动学习的多分类算法71-78
• 5.5.1 主动学习算法步骤71-73
• 5.5.2 数据描述73
• 5.5.3 结果和分析73-78
• 5.6 融合主动学习的半监督多分类算法78-81
• 5.6.1 融合主动学习的半监督算法步骤78-79
• 5.6.2 结果和分析79-81
• 5.7 本章小结81-83
• 6 基于SCSP的batch-mode增量式顺序更新半监督算法研究83-95
• 6.1 增量式半监督概述83-84
• 6.2 特征提取与分类算法84
• 6.3 基于SCSP的batch-mode增量式顺序更新半监督算法84-87
• 6.3.1 Batch-mode增量式顺序更新半监督84
• 6.3.2 Batch-mode增量式顺序更新半监督的应用84-85
• 6.3.3 基于SCSP的batch-mode增量式顺序更新半监督算法步骤85-87
• 6.4 实验与结果分析87-94
• 6.4.1 实验数据描述87-88
• 6.4.2 结果和分析88-94
• 6.5 本章总结94-95
• 7 半监督学习比较性分析95-107
• 7.1 半监督学习解决的问题95-96
• 7.2 信号采集与实验设计96-100
• 7.2.1 实验设备介绍96-97
• 7.2.2 运动想象EEG采集实验设计97-99
• 7.2.3 信号采集结果99-100
• 7.3 结果和分析100-105
• 7.4 本章小结105-107
• 8 总结和展望107-111
• 8.1 论文内容结论107-109
• 8.2 今后工作展望109-111
• 致谢111-113
• 参考文献113-123
• 附录123
• A. 作者在攻读博士学位期间发表的论文目录123
• B. 作者在攻读博士学位期间参加的科研项目123

【参考文献】

中国期刊全文数据库 前7条

1 杨立才,李佰敏,李光林,贾磊;脑-机接口技术综述[J];电子学报;2005年07期

2 万柏坤,高扬,赵丽,綦宏志;脑-机接口:大脑对外信息交流的新途径[J];国外医学.生物医学工程分册;2005年01期

3 赵海滨;颜世玉;于清文;王宏;;采用Fisher线性判别分析进行MEG信号的分类[J];东北大学学报(自然科学版);2013年12期

4 苏金树;张博锋;徐昕;;基于机器学习的文本分类技术研究进展[J];软件学报;2006年09期

5 陈锦禾;沈洁;;基于信息熵的主动学习半监督分类研究[J];计算机技术与发展;2010年02期

6 高恒振;万建伟;许可;钱林杰;;基于聚类核函数的最小二乘支持向量机高光谱图像半监督分类[J];信号处理;2011年02期

7 王辉;脑瘫研究现状[J];中国康复理论与实践;2004年05期

中国博士学位论文全文数据库 前1条

1 何庆华;基于视觉诱发电位的脑机接口实验研究[D];重庆大学;2003年

  本文关键词：基于半监督学习的运动想象脑-机接口研究，由笔耕文化传播整理发布。

本文编号：309987