具有在线自学习能力的脑电信号分类方法

作者：李红宇; 刘庆江; 常晓娟; 赵薇

来源：信息与电脑(理论版), 2019, 31(23): 99-103.

• 自主学习
• 脑电图
• 识别
• 学习演算法

脑电信号具有时变、个体差异的特点,容易受到身体状态、情绪、位置等因素的影响,传统的BP网络分类器难以适应动态监测的要求。基于此,笔者提出了一种基于BP网络的BP AdaBoost基本网络分类器。首先,该分类器是在传统Ada在线自学习能力的脑电信号分类方法 boost集成学习框架下由弱分类器形成的,其通过引入遗忘因子,改变初始样本容量来改进AdaBoost算法;其次,初始权值增强了其时间相关性,得到BP-AdaBoost分类器,并进一步借鉴半监督的思想,增加了基于K-近邻规则的自评价反馈环节,从而提高了捕获效果;最后,基于国际BCI竞赛数据集,利用HilbertHuang变换提取脑电图特征。仿真结果表明,笔者提出的分类方法对时间和个体具有较好的适应性和鲁棒性,与传统的BP神经网络相比,分类精度约提高了23.42%。

• 单位
  哈尔滨师范大学