基于半监督超限学习机的脑电分类研究.pdfVIP

摘要

脑-机接口(Brain-ComputerInterface,BCI)无需依靠脊髓和外围神经肌肉组织

的帮助，即可实现大脑对外部设备的直接控制。BCI技术的发展给许多领域带来

了改变，在医疗康复、文本输入、军事应用以及娱乐游戏控制等领域中都得到应

用，前景相当广阔。但是，BCI作为一种多学科交叉技术，在理论和关键性技术

上还存在很多的问题，有待于研究性能更好的模型和方法来推动其发展。

脑电图(Electroencephalogram,EEG)作为BCI系统分析中应用最为频繁的大

脑信号，能够快速反应大脑生理和思想情绪等信息。但由于EEG信号存在标签

代价大以及个体差异性等问题，使得信号很难有效的被有监督方法利用。为此，

本文采用了训练速度快、分类性能好的半监督超限学习机(Semi-Supervised

ExtremeLearningMachine,SS-ELM)作为基分类器来展开研究。在研究中，为了

进一步解决EEG信号中无标签样本的安全性和分类性能提升等问题，本文引入

对偶学习和流形学习等思想，对SS-ELM方法进行改进，最终提高了半监督学习

模型的分类和安全控制能力，并应用于运动想象EEG信号识别。主要工作如下：

(1)为了抑制危险的无标签样本对半监督模型的影响，提出了基于协同表示

的安全半监督超限学习机(CR-SSELM)算法，并将其应用于脑电信号分类研究中。

首先利用对偶学习策略设计出无标签样本风险项，嵌入到SS-ELM的目标函数

中，然后通过正则项的约束训练出CR-SSELM分类模型，最后对测试样本进行

分类。在公开的脑电数据集CompetitionIVDataset2a上进行了测试，实验结果

表明：9位中有4位受试者数据在无标签EEG样本加入训练后，确实会导致半

监督SS-ELM方法的性能劣于有监督的ELM方法，然而此时CR-SSELM的性能

仍然高于ELM，表明本文的安全策略充分发挥出了样本安全控制能力。

(2)在半监督学习中，分类器的性能非常依赖于邻接图的构造质量，原因是

图的质量能够有效地反映出样本的特征分布。而传统的SS-ELM方法仅仅利用样

本间的相似性来构造邻接图，对非线性函数的逼近能力可能存在不足，同样对样

本分布变化的跟踪能力也会较差。为此，本文提出了一种基于图平衡正则化的半

监督超限学习机算法，通过非负权值自适应调节标签一致性图和样本相似性图之

间的比例来获取高质量的图，并利用获取的图构造出流形正则项后，约束模型训

练，最终获得高性能的分类模型。该方法在公开的脑电数据集CompetitionIV

Dataset2a和BCICompetitionIIIDataset4a上进行测试，实验结果表明本文的构

图策略能有效地提升图的质量，获得的分类性能明显优于原始的SS-ELM算法。

关键词：脑电信号，运动想象，超限学习机，安全半监督，对偶学习，流形学习

ABSTRACT

Brain-computerinterface(BCI)canallowitsuserstocontrolexternaldevices

directlywhichareindependentofperipheralnervesandmuscleswithbrainactivities.

ThedevelopmentofBCItechnologyhasbroughtchangestomanyfields,suchas

medicalrehabilitationdevices,textinput,militaryapplication,gaminginputdevices

andsoon,andhasabroadprospect.However,asakindofinterdisciplinary

technology,therearestillmanyproblems