摘要: 运动想象脑机接口（BrainComputerInterfaceofMotorImagery,MI-BCI）系统拥有自发性、连续性与应用方式灵活等优势，但是运动想象脑电（MotorImageryelectroencephalogram,MI-EEG）信号的非平稳特性与实验操作过程带来的信号可重复使用性差的问题，导... 展开 运动想象脑机接口（BrainComputerInterfaceofMotorImagery,MI-BCI）系统拥有自发性、连续性与应用方式灵活等优势，但是运动想象脑电（MotorImageryelectroencephalogram,MI-EEG）信号的非平稳特性与实验操作过程带来的信号可重复使用性差的问题，导致了每次在线MI-BCI系统实验前都要进行长时间离线训练阶段，这在很大程度上影响了在线MI-BCI系统的实用性。传统的MI-EEG信号处理过程中，训练样本数量不足会导致分类器模型出现过拟合现象，对分类正确率产生负面影响。为了解决离线训练时间与训练样本数量需求之间的矛盾，本文将迁移学习中的域适应思想结合到MI-EEG信号的处理中，通过辅助被试的参与，从选择性增加训练样本数量与优化小样本自身特征分布这两个角度出发分别设计算法，在小样本训练条件下提升了分类正确率。 首先，本文在带通滤波、共同空间模式（CommonSpatialPattern,CSP）与支持向量机（SupportVectorMachine,SVM）算法组合的基础上，结合开源数据，对训练样本数量变化对测试样本分类正确率的影响进行了仿真分析。通过改变训练样本数量，得到了分类正确率会随着训练样本数量的增加而增加这一结论，印证了小样本训练条件下分类正确率不佳这一观点，同时发现了不同被试分类正确率随着训练样本数的增加，提升幅度不同且存在一定上限的现象。 其次，本文在域适应需要满足的条件下，从选择性增加训练样本数量的角度出发，设计了基于样本选择性混合与分类预测标签加权的域适应算法。该算法首先将单一辅助被试样本直接与目标被试训练集样本混合，将混合样本进行特征提取与自身分类后，将误分类的辅助被试样本删除，再进行目标被试测试样本的分类预测。最后以分类预测标签为依据，设计基于分类预测标签置信概率和基于分类正确率提升贡献度两种加权方式，对分类预测标签进行两次加权输出。在仿真结果上，该算法能够对小样本训练条件下的分类正确率提升7.62%~21.94%。 最后，本文从优化小样本自身特征分布的角度出发，在他人提出的基于KL（Kullback-Leibler）散度加权的复合共同空间模式（CompositeCommonSpatialPattern,CCSP）算法基础上，针对KL散度计算过程中的缺陷，改变了辅助被试权重的计算方式，提出了基于直接分类正确率提升贡献度加权CCSP的域适应算法和基于间接分类正确率提升贡献度加权CCSP的域适应算法。两种算法均以引入辅助被试样本后与无辅助样本时分类正确率的差值作为分类正确率提升贡献度，计算权重值。不同之处在于前一种算法是将单一辅助被试样本轮流与目标被试训练集样本混合，直接计算分类正确率差值，而后一种算法考虑到了辅助被试样本数量对分类正确率的影响，通过轮流删除辅助样本集中每名辅助被试的样本，将剩余样本同时与目标被试训练集样本混合后分类正确率的差值作为间接分类正确率提升贡献度。在仿真结果上，前一种算法能够对小样本训练条件下的分类正确率提升8.40%~21.63%，后一种算法能够提升9.59%~24.09%。针对不同被试，具体的提升数值互有高低，并且两种算法整体性能优于改进前基于KL散度加权的算法。 本文针对不同的优化分类器模型性能，减小过拟合现象出现的措施，提出的三种算法能够在小样本训练条件下实现分类正确率的大幅度提升，即实现减少离线训练阶段的时间，增强在线MI-BCI系统实用性的目的。 收起