基于欧式空间-加权逻辑回归迁移学习的运动想象EEG信号解码

基于脑电图（Electroencephalography,EEG）信号的运动想象（Motor Imagery,MI）意图识别是脑机接口（BrainComputer Interface,BCI）研究中的重要问题.然而，EEG信号存在严重的个体性差异，不同被试之间的EEG信号特征空间分布差异很大，不同被试之间的分类模型不能通用.针对这一问题，提出一种基于欧式空间的加权逻辑回归迁移学习方法，算法首先将不同被试的EEG数据进行欧几里得空间对齐，使各信号更加相似，减少差异性，然后计算特定被试共空间模式（Common Spatial Pattern,CSP）获得不同的特征值，并计算这些特征值的KL(Kullback-Leibler)散度，进而利用KL散度调整迁移学习的加权逻辑回归算法，得到分类模型.实验结果表明：对于BCI竞赛IV中的数据集2a，提出的方法可以极大地提升BCI的学习性能，算法分类准确率比基线算法（线性判别分析）高出15%.在数据样本增多的情况下，被试的分类准确性也得到了明显的提升，和同类算法相比，分类准确率提升4%，说明提出的算法能进一步提高BCI的学习性能，改善分类模型的通用性问...