基于邻域空间模式的运动相关电位特征提取方法

为解决脑-机接口(BCI)研究中所采集的脑电图(EEG)信号数据分布复杂和训练样本不足的问题,文中提出了一种新的特征提取方法--邻域空间模式(NSP)算法,用于提取BCI想象肢体运动分类算法中使用的重要分类特征--运动相关电位(MRPs).NSP算法不需要对样本的数据分布进行假设,主要利用样本的邻域关系和类别信息寻找最佳投影方向,使得映射后邻域内异类样本距离之和与同类样本距离之和的比值最大化.采用BCI竞赛2003和2001的其中两组数据进行实验,结果表明NSP算法能更有效地提取MRPs特征.     

基于邻域空间模式的运动相关电位特征提取新方法

模式分类是基于脑电图（EEG）的脑-机接口(BCI)研究的重要环节之一.针对不同的BCI任务,所采用的分类特征和分类算法也不同.其中,运动相关电位（MRPs）现象是BCI想象肢体运动分类算法中的所用到的重要分类特征.针对BCI研究中的采集EEG数据分布复杂,和训练样本不足重要问题,本文提出一种新的MRPs特征提取方法—邻域空间模式 (NSP),利用邻域关系和类别信息,有效提取了分类性能更强的MRPs特征.最后的实验结果证明了NSP算法能更有效提取分类特征.     

脑-机接口系统的类协同式半监督学习

针对如何提高有标签样本不足时的分类精度问题。提出脑-机接口系统(BCI)的类协同半监督学习算法(LCTSSL),采用有监督和无监督两种算法提取双特征训练双分类器协同扩充有标签样本集。在训练前后阶段设置不同置信度度量,选择两分类器分类结果一样的高置信度样本进行标记,保持每类每次新标记样本数目一样,提高有标样本集的可信度及识别系统的鲁棒性。迭代更新两分类器、有监督提取系统及相应特征,充分利用新标签信息。最后利用BCI竞赛2005的数据I证明LCTSSL算法的有效性。