基于改进迁移学习的运动想象分类识别算法北大核心CSCD

利用迁移学习算法提高分类识别的准确率是运动想象脑机接口应用的热点研究问题,其中样本迁移和特征迁移的传统模型算法在样本量较少或源域数据和目标域数据差异较大情况时,各自的迁移效果并不理想。基于欧式对齐(EA)和改进联合类质心匹配和局部流形自学习(CMMS)迁移学习的运动想象分类算法,将样本迁移和特征迁移的优势有机结合,在考虑样本本身的同时,进一步提高了分类准确率。首先,对样本进行源域和目标域的EA,减少源域和目标域的数据分布差异;其次,基于最小化最大均值差异(MMD)改进CMMS方法,筛选源域数据,再次减小源域样本与目标域的分布差异;最后,将该方法应用于BCI竞赛数据集进行离线测试和在线实验。实验结果表明:所研究的方法与SVM、JDA、BDA、EasyTL、GFK、CMMS相比较,迁移学习模型的识别准确率分别提高了14.38%,8.5%,5.8%,10.4%,11.8%,5.7%。