基于欧式空间-加权逻辑回归迁移学习的运动想象EEG信号解码

作     者：陈黎 龚安民 丁鹏 伏云发 Chen Li;Gong Anmin;Ding Peng;Fu Yunfa

作者机构：昆明理工大学信息工程与自动化学院昆明650500 昆明理工大学脑认知与脑机智能融合创新团队昆明650500 武警工程大学信息工程学院西安710000 

出 版 物：《南京大学学报（自然科学版）》 (Journal of Nanjing University（Natural Science）)

年 卷 期：2022年第58卷第2期

页      面：264-274页

核心收录：

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

基　　金：国家自然科学基金(81470084 81771926 61763022 61463024 62006246)。 

主　　题：运动想象 脑机接口 欧式对齐 迁移学习 逻辑回归 

摘      要：基于脑电图(Electroencephalography,EEG)信号的运动想象(Motor Imagery,MI)意图识别是脑机接口(BrainComputer Interface,BCI)研究中的重要问题.然而,EEG信号存在严重的个体性差异,不同被试之间的EEG信号特征空间分布差异很大,不同被试之间的分类模型不能通用.针对这一问题,提出一种基于欧式空间的加权逻辑回归迁移学习方法,算法首先将不同被试的EEG数据进行欧几里得空间对齐,使各信号更加相似,减少差异性,然后计算特定被试共空间模式(Common Spatial Pattern,CSP)获得不同的特征值,并计算这些特征值的KL(Kullback-Leibler)散度,进而利用KL散度调整迁移学习的加权逻辑回归算法,得到分类模型.实验结果表明:对于BCI竞赛IV中的数据集2a,提出的方法可以极大地提升BCI的学习性能,算法分类准确率比基线算法(线性判别分析)高出15%.在数据样本增多的情况下,被试的分类准确性也得到了明显的提升,和同类算法相比,分类准确率提升4%,说明提出的算法能进一步提高BCI的学习性能,改善分类模型的通用性问题.