| 摘 要： | 运动想象脑电（MI-EEG）信号在构建临床辅助康复的无创脑机接口（BCI）中获得了广泛关注。受限于不同被试者的MI-EEG信号样本分布存在差异,跨被试MI-EEG信号的特征学习成为研究重点。然而,现有的相关方法存在域不变特征表达能力弱、时间复杂度较高等问题,无法直接应用于在线BCI。为解决该问题,提出黎曼切空间特征迁移核学习（TKRTS）方法,并基于此构建了高效的跨被试MI-EEG信号分类算法。TKRTS方法首先将MI-EEG信号协方差矩阵投影至黎曼空间,并在黎曼空间上对齐不同被试者的协方差矩阵,同时提取黎曼切空间（RTS）特征;随后,学习RTS特征集上的域不变核矩阵,从而获得完备的跨被试MI-EEG特征表达,并通过该矩阵训练核支持向量机（KSVM）进行分类。为验证TKRTS方法的可行性与有效性,在3个公开数据集上分别进行多源域-单目标域以及单源域-单目标域的实验,平均分类准确率分别提升了0.81个百分点和0.13个百分点。实验结果表明,与主流方法对比,TKRTS方法提升了平均分类准确率并保持相似的时间复杂度。此外,消融实验结果验证了TKRTS方法对跨被试特征表达的完备性和参数不敏感性,适合构建在线脑接机口。
|
