徐桂芝 1,2 , 林放 1,2 , 宫铭鸿 1,2 , 李梦凡 1,2 , 于洪丽 1,2
  • 1. 河北工业大学 电气工程学院 省部共建电工装备可靠性与智能化国家重点实验室(天津 300132);
  • 2. 河北工业大学 电气工程学院 河北省电磁场与电器可靠性重点实验室(天津 300132);
导出 下载 收藏 扫码 引用

P300 电位的个体差异导致基于该电位的脑-机交互系统需要每位被试的大量训练数据来构建模式识别模型,引起被试的训练疲劳,并可能由此导致系统性能降低。TrAdaBoost 是一种把源领域的知识迁移到目标领域,进而使目标领域能获得更好的学习效果的迁移学习方法。本研究针对 P300 电位的跨脑辨识问题,提出基于 TrAdaBoost 的线性判别分类算法和支持向量机,将同被试的少量数据训练的分类器与不同被试的大量数据训练的分类器按权重组成融合分类器。与只采用少量同被试数据或者混合不同被试数据来直接进行训练的传统学习方式相比,本文算法在少量样本情况下将准确率分别提高了 19.56% 和 22.25%,信息传输率分别提高了 14.69 bits/min 和 15.76 bits/min,有望提高脑-机交互系统对被试个体差异的泛化能力。

引用本文: 徐桂芝, 林放, 宫铭鸿, 李梦凡, 于洪丽. 基于 TrAdaBoost 的跨脑辨识 P300 电位研究. 生物医学工程学杂志, 2019, 36(4): 531-540. doi: 10.7507/1001-5515.201811025 复制

  • 上一篇

    基于 RR 间期的阵发性房颤复发预测
  • 下一篇

    基于立体定向脑电图的颞叶致痫网络独立有效相干分析