科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对运动想象脑电信号的小样本问题，现有的基于黎曼流形的分析方法大多在流形中对齐后设计分类器，或通过切空间投影后在欧式空间进行分类。在流形中设计分类器运算较为复杂，而在切空间直接分类会因源域和目标域的切空间分布不一致而导致结果有误差。因此，本研究提出一种黎曼切空间对齐的迁移学习算法用于运动想象脑电信号的分类。通过计算源域和目标域的协方差矩阵并求得各自的黎曼均值点作为切点，分别将协方差矩阵进行切空间映射，再将两个切空间利用一组公共特征基进行投影对齐完成迁移学习。采用3个运动想象数据集进行验证，分别有7、9和9个被试，3个数据集中的被试分别有300、144和120个样本，利用分类准确率、数据分布图和统计学方法对算法进行性能评估。所提出的算法在3个数据集上的平均分类准确率分别为81.45%,77.14%和66.94%,相比未使用迁移学习的模型分别提高了25.05%、17.69%和10.98%,Mann-Whitney U检验验证了两种模型下的分类结果差异具有统计学意义。与其他4种对比算法之间的性能比较具有显著性差异，显示出所提出算法的优越性。该算法能够有效缩小不同域之间的分布差异，提高跨被试分类模型的准确率，一定程度上实现小样本数据的扩充。
- 单位
