典型文献
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
文献摘要：
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(Brain-Computer 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题.
文献关键词：
运动想象;脑机接口;欧式对齐;迁移学习;逻辑回归
中图分类号：
作者姓名：
陈黎;龚安民;丁鹏;伏云发
作者机构：
昆明理工大学信息工程与自动化学院,昆明,650500;昆明理工大学脑认知与脑机智能融合创新团队,昆明,650500;武警工程大学信息工程学院,西安,710000
文献出处：
引用格式：
[1]陈黎;龚安民;丁鹏;伏云发-.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)[J].南京大学学报（自然科学版）,2022(02):264-274
A类：
欧式对齐
B类：
欧式空间,运动想象,EEG,信号解码,脑电图,Electroencephalography,Motor,Imagery,MI,意图识别,脑机接口,Brain,Computer,Interface,BCI,个体性,信号特征,特征空间,空间分布差异,分类模型,迁移学习方法,欧几里得,得空,共空间模式,Common,Spatial,Pattern,CSP,KL,Kullback,Leibler,散度,逻辑回归算法,IV,2a,学习性,算法分类,分类准确率,比基,基线算法,线性判别分析,分类准确性,准确率提升,通用性
AB值：
0.449784
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
