集成学习在脑机接口分类算法中研究.pdfVIP

第 25 卷 第 11 期 电子测量与仪器学报 Vol. 25 No. 11 · 940 · JOURNAL OF ELECTRONIC MEASUREMENT AND INSTRUMENT 2011 年 11 月 DOI: 10.3724/SP.J.1187.2011.00940 集成学习在脑机接口分类算法中的研究* 1,2 1 李晓欧 范婵娇 (1. 上海理工大学 医疗器械与食品学院, 上海 200093; 2. 上海理工大学 上海医疗器械高等专科学校, 上海 200093) 摘 要: 提出了一种基于独立分量分析的支持向量机集成学习算法, 用于脑机接口中 P300 字符识别。首先由 P300 信号分 解出独立分量, 基于 Bagging 算法送入支持向量机基分类器进行集成学习, 通过平均的方法获得对应类别概率进行分类决策。 数据来源于 P300 字符拼写实验, 不同导联和不同序列的分类结果表明, 该分类算法学习效率和分类精度高, 全导联平均分类精 度为 96.6%, 在序列数较少的情况下, 平均分类精度也达到 91.5% 。较其他算法, 识别性能好, 是脑机接口的实用分类算法。 关键词: 独立分量分析; 支持向量机集成; Bagging; 脑机接口 中图分类号: R318.03 文献标识码: A 国家标准学科分类代码: 416.60 Research of ensemble learning in brain computer interface classification algorithm Li Xiaoou1,2 Fan Chanjiao1 (1. School of Medical Instrument and Food Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China; 2. Shanghai Medical Instrument College, Shanghai 200093, China) Abstract: Support vector machine ensemble learning algorithm based on independent component analysis is presented to apply for P300 speller in brain computer interface. Firstly, P300 signal is decomposed into independent components, an ensemble of classifiers approach is based on Bagging algorithm, each classifier is composed of SVM trained on a small part of available data. Secondly, it obtains corresponding classification probability and implements classification discriminant with classifier output averaging. The data are from P300 speller paradigm, clas