[发明专利]一种基于改进自训练学习的脑电信号识别方法

摘要

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。

主权项

1.一种基于改进自训练学习的脑电信号识别方法，其特征在于，该方法包含以下步骤：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XA和XB，标签为yi∈{‑1,1}，样本数量分别为nA和nB，未标记样本为Xu，样本数量为u，Xi∈RN×T，Xi为单个的EEG信号，i＝{1,…,nA,…,nA+nB,…,nA+nB+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；步骤三：利用半监督特征提取算法提取标记和未标记样本的特征向量；步骤四：利用标记样本训练SVM分类器，对未标记样本进行预测；步骤五：利用SVM的预测结果，选择高置信度的样本及其预测标签加入标记样本集中，并从对应的未标记样本集中删除；步骤六：如果未标记样本全部已被标记，则可利用原标记样本和新增的标记样本训练SVM，对未知样本进行识别；如果未标记样本不为空，则返回步骤三；步骤三中，利用半监督特征提取算法提取标记和未标记样本的特征向量；具体如下：首先利用两类标记样本计算协方差矩阵：然后，计算样本Xi的时域邻接矩阵Wi，其定义如下：k、t为采样时刻，r为阈值；依据邻接矩阵W_i计算样本X_i的Laplacian矩阵L_i＝D_i‑W_i，其中D_i为对角阵，计算未标记样本的正则项R最终可得到最优空域滤波器由((1‑α)CB+αR)‑1CA的前m个特征向量和((1‑α)CA+αR)‑1CB的前m个特征向量组成；α∈[0,1]利用该空域滤波器对标记和未标记样本进行映射，提取Xi对应的特征向量xi。