特征可分性显式建模的跨数据库脑电解码方法

目前,在运动想象解码领域,研究主要集中在被试依赖和被试独立解码两种方法上。然而,这两种解码方式在脑机接口(BCI)系统的实际使用中存在较大局限性。被试依赖和被试独立解码都依赖于同一中心数据集,当解码模型应用于其他中心的数据集时,性能将显著下降,无法满足BCI系统跨中心使用的需求。为提升运动想象脑电跨数据库解码性能,基于领域泛化的方法框架,提出了一种基于Fisher准则正则化的稀疏选择模型。在最小绝对值收缩和选择算子(LASSO)模型的基础上,引入Fisher准则正则项,以在特征选择过程中显式建模特征的可分性。这有助于提高领域泛化的表示学习能力,从而增强分类模型在不同数据集上的泛化性能。采用两个公开的运动想象脑电数据集,并使用滤波器组共空间模式(FBCSP)和多时频共空间模式(MTFCSP)两种特征提取方法,验证了所提方法的有效性,进一步使用自采集的数据也证实了该方法在实际应用中同样有效。与现有的方法相比,所提方法取得了最高平均分类准确率,达到67.26%。实验结果表明,所提方法在运动想象跨数据库解码中具有更好的泛化能力、更高的特征可分性、更好的鲁棒性。所提方法有望促进BCI系统跨中心使用,提高通用性。

基于TRCSP和L2范数的脑电通道选择方法

脑-机接口(BCI)系统常用高密度电极通道来获取较高空间分辨率的脑电(EEG)信号,但同时也会引入过多的噪声通道,影响脑电的解码性能。为了消除无关的噪声通道,提出了一种基于Tikhonov正则化共空间模式(TRCSP)和L2范数的运动想象脑电通道选择方法。首先基于TRCSP和分类器得到最优的空间滤波器,接着基于L2范数对空间滤波器得到的各通道的权重值进行排序。选择前K个通道的数据进行CSP特征提取,根据分类器的分类准确率确定最优K值,进而得到最优的通道数和通道组合。在实验中,使用6种分类器分别在BCI竞赛III(2005)数据集IVa和实验室自采集数据上验证所提出的通道选择方法的有效性。所提出的方法在两个数据集上的平均分类准确率分别达到了87.57%和74.32%,优于其它现有的方法。

基于特征融合和集成学习的运动想象脑电解码方法

开发高性能的脑电解码方法一直是脑机接口系统研究的重点和难点。为了进一步提高运动想象脑电解码的性能,提出了基于特征融合和集成学习的脑电解码方法。首先,针对每个通道脑电信号提取方差、自回归(AR)系数和带通功率特征,接着进行特征融合。其次,提出两种新的集成学习方法,分别是基于K最近邻(KNN)的集成学习模型和基于最小绝对值收缩和选择算子(LASSO)的集成学习模型。其中,KNN集成模型针对KNN分类器的K值以及闵式距离的P值进行集成,LASSO集成模型针对LASSO分类器的正则化参数进行集成,这两种集成学习方法计算简单且不需要烦琐耗时的交叉验证过程进行模型选择。最后,在三个公开的运动想象脑电数据集上验证所提方法的有效性。实验结果表明,新提出的集成学习方法,其分类结果优于支持向量机、随机森林等现有的分类器。LASSO集成模型优于KNN集成模型,在三个数据集上取得了71.75%的最高平均分类准确率。

基于LASSO和PCA降维的脑电特征选择方法

最小绝对值收缩和选择算子(LASSO)在运动想象脑电(EEG)特征选择中已得到了广泛应用。然而,LASSO的使用形式存在不少差异,其各种使用形式的性能如何目前还没有系统的研究。为此,探讨了现有的LASSO特征选择方法,进而提出了基于LASSO和主成分分析(PCA)降维的混合特征选择方法。该方法先训练LASSO模型,然后选择模型权重大于0的特征进行PCA降维,最后使用降维后的特征训练分类器。最优LASSO模型参数、特征个数、主成分个数使用10折交叉验证进行选择,分别使用Fisher线性判别分析(FLDA)、贝叶斯线性判别分析(BLDA)、支持向量机(SVM)3种分类器的分类结果作为交叉验证的评价准则。最优特征子集进行PCA降维之后,训练以上3种分类器作为最终的分类模型。选用两个公开的脑机接口竞赛数据验证算法的有效性,所提出的方法取得了80.06%的最高平均分类准确率。实验结果表明,所提出的方法优于现有的LASSO特征选择方法。

基于特征过滤和PCA降维的混合特征选择方法

过滤式特征选择方法计算复杂度低、时间少,在运动想象脑电解码中应用广泛,但过滤式方法只考虑了特征对标签分类的重要性,忽略了特征之间的相关性。为此提出了一种基于特征过滤和主成分分析(PCA)降维的混合特征选择方法,并应用于运动想象脑电解码。首先,使用方差、相关系数和Relief过滤式方法对特征的重要性进行排序。其次,对三种过滤式方法所选择的特征子集进行PCA降维,并结合Fisher线性判别分析(FLDA)和交叉验证选择最优的特征个数以及主成分个数。最后,使用FLDA对PCA降维后的特征进行分类。在两个公开的脑机接口(BCI)竞赛数据集上验证所提方法的有效性,其中基于Relief和PCA结合的混合特征选择方法取得了79.85%的最高平均分类准确率。实验结果表明,PCA降维对Relief过滤式方法的改进效果比较显著。