基于特征融合和集成学习的运动想象脑电解码方法

摘要：

开发高性能的脑电解码方法一直是脑机接口系统研究的重点和难点.为了进一步提高运动想象脑电解码的性能,提出了基于特征融合和集成学习的脑电解码方法.首先,针对每个通道脑电信号提取方差、自回归(AR)系数和带通功率特征,接着进行特征融合.其次,提出两种新的集成学习方法,分别是基于K 最近邻(KNN)的集成学习模型和基于最小绝对值收缩和选择算子(LASSO)的集成学习模型.其中,KNN 集成模型针对 KNN分类器的K 值以及闵式距离的P 值进行集成,LASSO 集成模型针对 LASSO 分类器的正则化参数进行集成,这两种集成学习方法计算简单且不需要烦琐耗时的交叉验证过程进行模型选择.最后,在三个公开的运动想象脑电数据集上验证所提方法的有效性.实验结果表明,新提出的集成学习方法,其分类结果优于支持向量机、随机森林等现有的分类器.LASSO 集成模型优于KNN集成模型,在三个数据集上取得了 71.75%的最高平均分类准确率.

关键词：运动想象、脑电解码、特征融合、集成学习

所属期刊栏目：28

分类号：TP391.4;R318(计算技术、计算机技术)

资助基金：广西高校中青年教师科研基础能力提升项目2023KY0813

在线出版日期：2023-07-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：184-192