导　　师： 李远清

授予学位： 硕士

作　　者： (）;

机构地区： 华南理工大学

摘　　要： 脑机接口(Brain-Computer Interface,BCI)系统能够在不依赖于人的肌肉组织的情况下,通过解读脑电信号并转化为控制命令来控制外部设备,从而完成人机交互过程。这为有运动障碍或是神经障碍的病患提供了一种与外界交流的方式。目前BCI系统在实际应用过程中仍然存在着很多问题。为了缩短BCI系统使用前的训练时间,减轻用户负担,本文提出了用于减少BCI系统的标定时间的迁移学习算法,研究工作如下:1)从实例权重的角度提出了一种基于实例权重的迁移学习算法。算法根据源领域和目标领域的数据的边缘分布相似性初始化源领域数据权重,然后根据它们的条件分布相似性挑选有用的加权源领域样本加入到目标领域训练集中参与模型训练,解决了目标领域训练数据过少的问题。2)从模型参数共享的角度提出了基于参数共享的迁移学习算法。本章考虑EEG信号特征是矩阵形式而不是向量形式,在时空特征分解的Logistic回归模型(time-space feature decomposition Logistic regression,FD-LR)中的参数可解释为通道权重参数和时域特征权重参数。基于P300脑电信号时域特征稳定的特点,FD-LR模型可以共享时域特征参数,本章提出了多任务FD-LR(multi-task FD-LR,MT-FD-LR)算法。然后从两方面改进了MT-FD-LR,一是将MT-FD-LR和实例权重方法以及最大均值差异(Maximum Mean Discrepancy,MMD)相结合,将多任务学习模型推广到迁移学习模型中;二是将MT-FD-LR推广到贝叶斯框架中,提升了模型的泛化能力。3)将共享时域特征参数的MT-FD-LR算法推广到共享时域滤波层的卷积神经网络中,提出了基于卷积神经网络的迁移学习算法。该算法在目标领域只有少量训练样本时具有优异的性能。实验结果表明,本文提出的算法都能在少量训练样本情况下训练得到可靠的分类模型,与未迁移源领域的知识的传统机器学习算法相比,能够�

关 键 词： 脑机接口 迁移学习 实例权重 参数共享 卷积神经网络

领　　域： [] [] []