[发明专利]一种基于改进自训练学习的脑电信号识别方法

说明书

本发明公开一种改进自训练半监督学习的脑电信号识别方法。首先对采集到的EEG信号进行预处理，利用半监督extreme energy ratio算法提取标记和未标记样本的特征向量，然后利用标记样本训练支持向量机(SVM)，并对未标记样本进行预测，再选择具有高置信度的未标记样本及其对应的预测标签，加入标记样本集中，并相应地从未标记样本集中删除，依次循环迭代，最后完成对所有未标记样本的标注。本发明不仅大大减少了用户在使用BCI系统之前的训练时间，而且有效地提高了识别精度和鲁棒性。

技术领域

本发明属于脑-机接口领域，涉及一种基于改进自训练学习的脑电信号识别方法。

背景技术

脑-机接口技术(BCI)作为一种新型的人机交互技术，通过采集人的大脑信号，经预处理、特征提取和模式识别等对大脑信号进行建模，生成控制指令，实现大脑对外部设备的控制。由于其在医学、军事、娱乐等领域具有广泛的应用前景，BCI已成为神经康复、信息科学等领域的研究热点。在现有基于EEG的BCI系统中，运动想象作为一种自发EEG，不需要肌肉和肢体的真实参与，想象运动也能产生同样的脑电节律调制现象，还可以实现异步通信等特点，目前已成为BCI领域研究的热点之一。

提高对运动想象模式的识别率是BCI系统的核心所在，要获得高性能的识别算法需要用户长时间的训练，以获取充足的标记样本。而长时间的训练给用户带来很大的工作量及精神负担，也给BCI系统使用带来了不便。为此如何减少用户的训练时间是BCI系统实际应用中面临的问题之一。李远清等人于2008年首次将半监督学习算法引入EEG信号识别中，用于识别右手/脚两类运动想象任务(数据集Iva)，获得了良好的效果。半监督学习算法通常包含自训练学习算法、协同训练学习算法、基于图的学习算法、半监督支持向量机(TSVM)等，其中自训练学习算法由于其使用简便，已广泛应用于基于半监督学习算法的脑电信号识别中。龙锦益等人于2010年提出了一种结合特征提取的自训练学习算法，在自训练迭代过程中加入了参数选择(通道、波段)，在两类运动想象任务识别中取得98.4％的识别率。朱向阳等人于2014年提出了一种结合特征提取的协同训练半监督分类算法，迭代更新共空间模式(CSP)特征和训练线性判别/贝叶斯判别两个分类器，在两类运动想象任务中获得了81.9％的识别率。但在自训练学习算法框架中，初始的标记样本通常较少，如果采用监督特征提取算法，将导致初始提取的特征性能较差，从而降低自训练学习算法的性能。而如果采用无监督特征提取算法，由于无监督特征提取算法没有很好地考虑样本的判别信息，不具有判别能力，也很难达到预期效果。

发明内容

本发明针对如何减少BCI系统对用户的训练时间，提出一种改进自训练学习的脑电信号识别方法。基本思路是首先利用半监督extreme energy ratio(EER)算法提取标记和未标记样本的特征向量，然后利用标记样本训练SVM分类器，识别未标记样本，选择具有高置信度的样本及其预测标签，加入标记样本集中，并相应地从未标记样本集中删除，依次循环迭代，最后完成对所有未标记样本的标注，并获得最终支持向量机(SVM)分类器。本方法能够更为有效而充分地挖掘未标记样本的信息，提高了BCI系统的识别性能和鲁棒性。

技术方案：一种基于改进自训练学习的脑电信号识别方法，包含以下步骤：

步骤一：输入标记和未标记EEG信号；

设有两类想象任务，标记样本分别为X^A和X^B，标签为y_i∈{-1,1}，样本数量分别为n_A和n_B，未标记样本为X^u，样本数量为u，X_i∈R^N×T，X_i为单个的EEG信号，i＝{1,…,n_A,…,n_A+n_B,…,n_A+n_B+u}，其中N为通道数量，T为采样时间；

步骤二：对EEG信号进行预处理；