辅助训练的半监督线性支持向量机用于EEG分类 .pdfVIP

学兔兔 第34卷 第4期 仪 器 仪 表 学 报 Vo1．34 No．4 2013年4月 Chinese Journal of Scientific Instrnment Apr．2013 辅助训练的半监督线性支持向量机 用于EEG分类 术 王金甲，贾 敏 (燕山大学信息科学与工程学院 秦皇岛 066004) 摘 要：研究了基于辅助训练思想的半监督线性支持向量机方法在脑机接口EEG分类中的应用。首先采用高斯混合模型、 Parzen窗、K 一近邻估计三种方法估计概率密度，得到未标记样本的密度信息，选择部分概率较高样本，使用比较置零法避免错 分。其次采用线性支持向量机作为判别分类器得到已选样本的边界信息，通过距离判别条件选出高置信度的样本，使用方向判 别条件避免错分。结合密度和边界信息完成高置信度未标记样本选择的方法称为辅助训练半监督支持向量机。本文的实验数 据包括 0c、BCI I、BCI II—IV、USPS，分类正确率分别为91．6％，97％，84％，90．4％，运算速度最慢的仅需约3．5 S。在分类正 确率和运算效率两个方面，均优于自训练半监督SVM、监督SVM两种方法。 关键词：辅助训练；半监督学习；半监督线性支持向量机；脑机接口 中图分类号：R318 TPI81 文献标识码：A 国家标准学科分类代码：310．61 520．2040 Semi—supervised linear SVM using help training for EEG classification Wang JinJia，Jia Min (School of Information Science and Engineering，Yanshan University，Qinhuangdao 066004，China) Abstract：In this paper the application of semi-supervised linear SVM algorithm using help training in EEG classifi— cation for brain—computer interface(BCI)is investigated．Firstly，GMM，Parzen window and KN-neighbor estimation methods are adopted to estimate the probability density of the unlabeled data，and the probability density information of the unlabeled data samples is obtained；some data samples with high probabilities are selected．To avoid misclassi· fication，the strategy called compare and return to zero is applied．Secondly，the linear SVM is used as discriminative classifier to obtain the boundary information of the selected data samples．The final unlabeled data samples with high co