运动想象脑电图的空域特征迁移核学习方法.pdfVIP

JournalofComputerApplicationsISSN1001⁃90812024⁃11⁃10

计算机应用,2024,44(11):3354-3363CODENJYIIDUhttp：//www.joca.cn

文章编号：1001-9081（2024）11-3354-10DOI：10.11772/j.issn.1001-9081.2023111593

运动想象脑电图的空域特征迁移核学习方法

1，21，2*1，21，2

杨思琪，罗天健，严宣辉，杨光局

（1.福建师范大学计算机与网络空间安全学院，福州350117；2.数字福建环境监测物联网实验室（福建师范大学），福州350117）

（∗通信作者电子邮箱createopenbci@fjnu.edu.cn）

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。

关键词：运动想象；脑电信号；跨被试；黎曼切空间特征；迁移核学习

中图分类号：TP242文献标志码：A

TransferkernellearningmethodbasedonspatialfeaturesformotorimageryEEG

YANGSiqi1，2，LUOTianjian1，2*，YANXuanhui1，2，YANGGuangju1，2

（1.CollegeofComputerandCyberSecurity，FujianNormalUniversity，FuzhouFujian350117，China；

2.DigitalFujianInternet‑of‑ThingLaboratoryofEnvironmentalMonitoring（FujianNormalUniversity），FuzhouFujian350117，China）

Abstract:MotorImageryElectroEncephaloGram（MI-EEG）signalhasgainedwidespre