基于自适应学习分类器的脑机接口多类公共空间模式
神经与进化计算
2021-03-09 v2 神经元与认知
摘要
在脑机接口(Brain Computer Interface, BCI)中，由脑电图(Electroencephalogram, EEG)生成的数据是非平稳的，信噪比低且受伪迹污染。公共空间模式(Common Spatial Pattern, CSP)算法已被证明在BCI的运动想象任务特征提取中有效，但其易于过拟合。已有许多算法对两类问题的CSP进行正则化，但应用于多类CSP时效果不佳。数据中存在的离群点会影响提取的CSP特征并降低系统性能。此外，从CSP提取的特征中存在非平稳性，给分类带来挑战。我们提出一种在预处理阶段识别并去除数据中伪迹的方法，这有助于计算特征向量，进而生成更好的CSP特征。为处理非平稳性，文献中已提出自调节区间二型神经模糊推理系统(Self-Regulated Interval Type-2 Neuro-Fuzzy Inference System, SRIT2NFIS)用于两类EEG分类问题。本文利用联合近似对角化(Joint Approximate Diagonalization, JAD)将SRIT2NFIS扩展至多类。在BCI competition IV标准数据集上的结果表明，多类分类准确率较当前最先进方法显著提升。
引用
@article{arxiv.1802.09046,
title = {Multiclass Common Spatial Pattern for EEG based Brain Computer Interface with Adaptive Learning Classifier},
author = {Hardik Meisheri and Nagraj Ramrao and Suman Mitra},
journal= {arXiv preprint arXiv:1802.09046},
year = {2021}
}