论文部分内容阅读
脑电是记录大脑活动的常用手段,其时间分辨率比较高,能够有效跟踪大脑的动态变化过程。脑电节律信号和事件相关电位,是脑-机接口系统中常用的两种脑电信号,两者都具有十分丰富的时间规则性和空间规则性。本文在正则化的框架下,针对这两种不同类型的脑电信号分析中存在的问题,对脑电信号的时空分析方法进行了系统的研究。对于脑电节律信号,为了更有效地提取时空特征,并对高维度的特征进行有效选择和分类,本文提出一种正则化的时空滤波和分类算法RSTFC。其中,在特征提取模块,空域滤波器和导联特异的高阶时域滤波器能够在同一个优化函数中同时进行快速优化求解。因为高阶的时域滤波导致模型参数增多,模型中加入了7)2-范数正则项,以防止对训练数据的过拟合。在特征分类模块,提出一种凸的稀疏Fisher线性判别分析算法,同时对脑电的高维度时空特征进行特征选择和分类。实验结果表明,相对于现有的时空滤波算法,RSTFC无论在性能还是在计算复杂度方面都非常有优势。鉴于高性能的脑电特征提取算法往往需要导通头皮上安置的大量导联,这对脑-机接口系统的便捷性造成了极大的困扰,因此本文提出联合时空滤波的导联选择算法CCSSTF。为了在不影响性能的前提下选取最具有判别性能的导联,CCSSTF首先在挑选导联的同时优化导联特异的时域滤波器,进而在选择出的最优导联子集上,应用时空滤波算法提取时空特征并用于分类。实验结果表明,CCSSTF能够在不牺牲算法性能甚至是提高性能的前提下,大大减少用于信号采集的导联个数,在实际应用中可以降低后续实验的准备时间。由于事件相关电位受到许多背景噪声的干扰,在单次实验中信噪比很低,且时域内相邻时间点的信号存在信息冗余,因此本文提出联合空域滤波和时域内加权降采样的算法SFTDS。该算法在最大化信噪比的框架下,将空域滤波器和时域内的加权降采样权重放在同一个优化函数中进行快速的优化求解。另外,为了提高模型的泛化性能,在目标优化函数中加入了7)2-范数正则项做平滑约束。实验结果表明,相对于传统的ERP信号分析算法和时空判别学习算法STDA,SFTDS的分类性能得到了极大的提高,具有较好的应用前景。最后,为了改善小样本情境下的模型性能,本文提出了一种基于黎曼距离的脑电信号迁移学习方法RDTL。经典的特征提取算法CSP的空域滤波器设计是基于对两类任务估计的协方差矩阵进行联合对角化,而少量样本估计到的协方差矩阵不准确,因此用迁移学习的方法来改善模型的性能具有十分重要的实际意义。然而被试之间的差异性很大且脑电具有非平稳特性,如何有效的挑选迁移样本十分具有挑战性。RDTL将黎曼距离作为挑选迁移样本的一种准则,并将迁移样本用于辅助训练目标被试的模型设计。实验结果表明,在目标被试的训练样本较少时,RDTL所挑选的迁移样本用于辅助目标被试的空域滤波器和分类器的设计,可以大幅度地提高模型的性能。本文所提出的方法,都应用到了真实的脑电数据分析中,以验证算法的有效性。与现有的算法相比,本文提出的算法都具有计算简便快捷、性能高等优势,可用于在线的脑-机接口系统。