阅读笔记6*：基于半监督学习的运动想象脑机接口研究

论文信息

• 题目：基于半监督学习的运动想象脑机接口研究
• 作者：谭学敏
• 单位:重庆大学电气工程
• 发表时间：2015.05

笔记

1.摘要

• 基于参数选择的自训练算法（STBMS），解决了运动想象 BCI 自训练中小样本无法利用交叉验证准确选择合适参数的问题。针对迭代过程噪声不断积累的问题，提出了一种置信度评估准则，去除未标记样本中易误标记的噪声样本，选择置信度高的样本添加到训练集中重新训练，提高了自训练的分类性能和信噪比
• 基于衍生FLDA（Fisher Linear Discriminant Analysis）的协同训练算法（CTBMFLDA），运用到运动想象的分类中。
• 用于运动想象 BCI 多分类的三种主动学习方法（ALNACD，ALSVMactive 和 ALEBS），探索了这三种主动学习的样例选择策略：最近平均聚类距离（Nearest Average-class Distance，NACD）,SVM 主动学习（SVMactive）和信息熵（Entropy-based Sampling,EBS）
• 提出了一个新的特征提取方法：分段选择共空间模式（Segmented Common Spatial Pattern,SCSP）。利用 SCSP 作为特征提取方法，提出了基于 SCSP 的batch-mode 增量式顺序更新半监督算法（BMSUST-SCSP），不仅节省了训练时间，而且为在线 BCI 的开发和应用提供了模型和框架。

2.绪论

2.1 BCI研究基础

2.1.1BCI概念与研究意义

脑机接口 ：在不依赖脑的正常输出通路（外围神经与肌肉组织）的情况下，建立起人脑与计算机或其他电子设备之间的直接通讯和控制。

BCI技术的理论意义在于：它的研究与开发过程不仅能够深入理解大脑认知模式、控制方式与信息流程，而且也能对大脑思维模式与意识的形成机制提供新的研究方法。

BCI技术主要应用于以下几个方面：

• 医疗领域
• 军事领域
• 娱乐与日常
• 可穿戴智能装备

2.1.2BCI系统组成与分类

1.信号采集
大部分都是在用EEG

2.信号预处理
信号预处理主要是对信号进行滤波和去噪，一个有效的预处理可以增强信噪比和提高 BCI 系统的性能。通常使用的预处理方法包括空间滤波、频率滤波、独立成份分析去除眼电、基线校正等。

3.信号处理
原始脑信号经过预处理以后，需要经过特征提取和信号分类将信号转换成对设备的控制命令。在 BCI 系统中，特征提取实际上也是为了提高信噪比，把需要的有用特征从噪声中突现出来，这些有用的特征是真正能够反应大脑真实意图的。提取到反应大脑意识的特征后，信号分类的主要任务是将这些特征进行分类识别。目前，用于 BCI 分类的方法很多，如线性判别分析、支持向量机、人工神经网络等。

4.输出控制

5.操作协议

根据以下三种不同的分类方式，BCI 系统可分为以下几类：

• 植入式BCI和非植入式BCI
• 自发式和诱发式
• 同步式和异步式

2.1.3存在问题

• 提高速度与精度
• 提高自适应性
• 减少训练时间与增强鲁棒性

2.2 半监督学习研究背景

2.2.1模式识别

模式识别是对感知信号的行为或物理现象进行解释和判别的过程，侧重于自动化和判读方面的研究。
模式识别过程主要包括数据的预处理、特征提取与选择、分类识别。

2.2.2半监督学习

在训练过程中，它除了使用少量的有标记样本，还利用了大量未标记样本的隐含信息。

半监督学习的基本思想是在有标记样本的帮助下建立假设模型，并使用模型预测未标记样本标签。

半监督学习基本假设

• 聚类假设

如果数据点在同一聚类中，它们很有可能具有相同的类别标记.这意味着决策边界应该位于数据较为稀疏的区域。

• 流形假设

不同于着重考虑整体特性的聚类假设，流形假
设着眼于局部特性，实际反映了决策函数的局部平滑性。在大量未标记样本的参与下，整个数据空间变得十分稠密，这有助于更加准确地刻画局部区域特性，增加了决策函数的局部平滑性

• 局部与全局一致性假设

邻近的数据很有可能属于同一类别，相同结构上的数据很有可能有相同的标签

2.2.3半监督学习分类研究现状

• 生成式模型算法

此算法利用聚类假设，在少量有标记样本周围聚类。算法使用生成式模式作为分类器࿰