基于半監(jiān)督學(xué)習(xí)的運(yùn)動(dòng)想象腦-機(jī)接口研究.pdf

1、腦-機(jī)接口（Brain-computer Interface，BCI）在不依賴腦的正常輸出通路（外周神經(jīng)與肌肉組織）情況下，建立起人腦與計(jì)算機(jī)或其它電子設(shè)備之間的直接通訊和控制。BCI技術(shù)能夠幫助癱瘓病人提供新的信息交流渠道，提高病人的生活質(zhì)量，并在醫(yī)療領(lǐng)域、認(rèn)知科學(xué)、心理學(xué)、軍事領(lǐng)域、娛樂(lè)和可穿戴智能裝備領(lǐng)域具有巨大的實(shí)用價(jià)值。在腦電信號(hào)（Electroencephalogram，EEG）的分類中，傳統(tǒng)的監(jiān)督學(xué)習(xí)需要采集大量有標(biāo)記的E

2、EG數(shù)據(jù)用來(lái)訓(xùn)練分類器，但是獲得大量的有標(biāo)記樣本的付出代價(jià)是昂貴的，因?yàn)檫M(jìn)行多次試驗(yàn)需要花費(fèi)大量的時(shí)間和精力，容易造成受試者的疲勞，阻礙了BCI系統(tǒng)的發(fā)展。而且，隨著時(shí)間的變化，EEG狀態(tài)也會(huì)發(fā)生變化，這使得分類難度進(jìn)一步升高。但是，未標(biāo)記的EEG數(shù)據(jù)卻容易得到，如果不利用這些數(shù)據(jù)，將有大量的無(wú)標(biāo)記EEG數(shù)據(jù)會(huì)浪費(fèi)，因此使用未標(biāo)記EEG數(shù)據(jù)的需求愈發(fā)強(qiáng)烈。無(wú)監(jiān)督學(xué)習(xí)雖然使用未標(biāo)記的EEG數(shù)據(jù)訓(xùn)練分類器，但是由于缺乏有標(biāo)記EEG數(shù)據(jù)的信息

3、，容易導(dǎo)致模型的泛化能力下降。因此，把半監(jiān)督學(xué)習(xí)應(yīng)用到EEG數(shù)據(jù)的分類中是非常有意義的，半監(jiān)督學(xué)習(xí)只需要采集少量標(biāo)記的腦電數(shù)據(jù)訓(xùn)練分類器，再使用大量未標(biāo)記的腦電數(shù)據(jù)對(duì)分類器進(jìn)行輔助訓(xùn)練，不僅能夠縮短受試者收集標(biāo)記樣本的訓(xùn)練時(shí)間和提高分類性能，而且半監(jiān)督學(xué)習(xí)本身也是一個(gè)自適應(yīng)的過(guò)程，有助于促進(jìn)BCI自適應(yīng)性的增強(qiáng)。
　　對(duì)受試者而言，收集運(yùn)動(dòng)想象的 EEG比其它 EEG（SSVEP，P300等）更加讓人感到枯噪和疲憊，因?yàn)槊看蜗胂蟮?/p>

4、時(shí)間比較長(zhǎng)，而且運(yùn)動(dòng)想象重復(fù)性高。因此，本文研究的基于半監(jiān)督學(xué)習(xí)的運(yùn)動(dòng)想象 BCI擁有更大的研究?jī)r(jià)值。目前，半監(jiān)督學(xué)習(xí)尚處于初始階段，且還未自成體系，因此存在諸多尚未解決的問(wèn)題，比如：在半監(jiān)督學(xué)習(xí)中，如何去除噪聲和提高信噪比，如何準(zhǔn)確選擇參數(shù)，如何在更真實(shí)條件下構(gòu)建協(xié)同訓(xùn)練算法，如何融合其它機(jī)器學(xué)習(xí)方法到半監(jiān)督學(xué)習(xí)中進(jìn)一步提高分類性能，如何為在線系統(tǒng)的開(kāi)發(fā)和應(yīng)用提供模型和框架等問(wèn)題。本文將半監(jiān)督學(xué)習(xí)應(yīng)用到用戶認(rèn)同度高的運(yùn)動(dòng)想象EEG的分

5、類中。針對(duì)半監(jiān)督學(xué)習(xí)中存在的問(wèn)題，提出了相應(yīng)的解決方案。論文的主要研究?jī)?nèi)容包括以下幾個(gè)方面：
　?。?）提出了一種基于參數(shù)選擇的自訓(xùn)練算法(STBMS),利用互信息從一系列支持向量機(jī)（SVM）的參數(shù)組合中選擇到最好的參數(shù)對(duì)，解決了運(yùn)動(dòng)想象BCI自訓(xùn)練中小樣本無(wú)法利用交叉驗(yàn)證準(zhǔn)確選擇合適參數(shù)的問(wèn)題。提出一種置信度評(píng)估準(zhǔn)則，從未標(biāo)記樣本中選擇置信度高的樣本添加到訓(xùn)練集中重新訓(xùn)練，提高了自訓(xùn)練的分類性能和信噪比。提出了評(píng)價(jià)特征對(duì)噪聲的魯

6、棒性和算法收斂性的兩個(gè)標(biāo)準(zhǔn)。實(shí)驗(yàn)結(jié)果證明了參數(shù)選擇方法與置信度評(píng)估準(zhǔn)則在提高分類率上的有效性。通過(guò)與標(biāo)準(zhǔn)SVM自訓(xùn)練算法的對(duì)比，說(shuō)明了特征的重新提取能夠提高特征對(duì)噪聲的魯棒性。實(shí)驗(yàn)結(jié)果也證明了特征對(duì)噪聲的魯棒性和算法收斂性這兩個(gè)標(biāo)準(zhǔn)的有效性。
　　（2）在更真實(shí)條件下提出了一種基于衍生FLDA(Fisher Linear Discriminant Analysis)的協(xié)同訓(xùn)練算法（CTBMFLDA），并將其應(yīng)用到運(yùn)動(dòng)想象BCI的分

7、類中。此算法在小尺寸樣本的基礎(chǔ)上構(gòu)造了兩個(gè)差異性大的分類器 FLDA1和FLDA2，兩個(gè)分類器分別為對(duì)方挑選置信度高的樣本，以更新各自的分類器。提出了分別評(píng)估STBFLDA和CTBMFLDA提取特征對(duì)噪聲的魯棒性的三個(gè)參數(shù)。實(shí)驗(yàn)結(jié)果證明了CTBMFLDA在分類率上的表現(xiàn)比基于FLDA的自訓(xùn)練算法（STBFLDA）的好，并證明了評(píng)估特征對(duì)噪聲的魯棒性這三個(gè)參數(shù)的有效性。
　?。?）研究了用于運(yùn)動(dòng)想象 BCI多分類的三種主動(dòng)學(xué)習(xí)方法（

8、ALNACD，ALSVMactive和ALEBS），探索了這三種主動(dòng)學(xué)習(xí)的樣例選擇策略：最近平均聚類距離（Nearest Average-class Distance，NACD）,SVM主動(dòng)學(xué)習(xí)（SVMactive）和信息熵（Entropy-based Sampling,EBS）。提出了融合NACD主動(dòng)學(xué)習(xí)的半監(jiān)督學(xué)習(xí)算法（SSLCAL），將主動(dòng)學(xué)習(xí)和半監(jiān)督學(xué)習(xí)的思想結(jié)合起來(lái)處理運(yùn)動(dòng)想象BCI的多分類問(wèn)題。實(shí)驗(yàn)結(jié)果證明了這三種主動(dòng)學(xué)習(xí)方

9、法和SSLCAL在提高分類率上的有效性，它們可以利用更少的標(biāo)記樣本改善算法的分類性能。
　　（4）提出了一個(gè)新的特征提取方法：分段選擇共空間模式（Segmented Common Spatial Pattern,SCSP）。利用 SCSP作為特征提取方法，提出了基于 SCSP的batch-mode增量式順序更新半監(jiān)督算法（BMSUST-SCSP），不僅節(jié)省了訓(xùn)練時(shí)間，而且為在線 BCI的開(kāi)發(fā)和應(yīng)用提供了模型和框架。實(shí)驗(yàn)結(jié)果證明了每

10、次子集到來(lái)后使用多次迭代可以去除噪聲、提高信噪比，也證明了SCSP算法提取出的特征比CSP算法對(duì)噪聲有著更高可靠性和更強(qiáng)的魯棒性，最后利用互信息說(shuō)明了隨著子集增加，提取出SCSP特征對(duì)噪聲的魯棒性在不斷增加。
　?。?）基于Neuroscan信號(hào)采集系統(tǒng)和運(yùn)動(dòng)想象EEG的特點(diǎn)，設(shè)計(jì)了想象左右手運(yùn)動(dòng)EEG的采集實(shí)驗(yàn)，使用八種不同的半監(jiān)督算法對(duì)自主采集到的5個(gè)受試者的運(yùn)動(dòng)想象腦電數(shù)據(jù)進(jìn)行分類，實(shí)驗(yàn)結(jié)果證明了第三章到第六章提出的STBM