摘要: 运动想象脑电信号(Motor Imagery ElectroencephaloGraph, MI-EEG)在构建临床辅助康复的无创脑机接口中获得了广泛关注。受限于不同被试者的MI-EEG样本分布存在差异,跨被试MI-EEG的特征学习成为了研究重点。然而,现有方法存在域不变特征表达能力弱,且时间复杂度较高等问题,无法直接应用于在线脑机接口。为解决该问题,本文基于黎曼切空间特征(Riemannian Tangent Space)的迁移核(Transfer Kernel)学习方法(TKRTS),构建了高效的跨被试MI-EEG分类算法。TKRTS方法首先将MI-EEG协方差矩阵投影至黎曼空间,并由质心对齐不同被试者的协方差矩阵,同时提取切空间特征。随后,切空间特征集上学习域不变核矩阵,获得完备的跨被试MI-EEG特征表达,并通过该矩阵训练核支持向量机进行分类。为验证TKRTS方法的可行性与有效性,在三个公开数据集上分别进行了多源域-单目标域以及单源域-单目标域的实验,平均分类准确率分别提升了1.32个百分点和0.13个百分点。实验结果表明,与主流方法对比,TKRTS方法提升了平均分类准确率并具有相似的时间复杂度。此外,消融实验也证明了TKRTS方法对跨被试特征表达的完备性,以及参数不敏感,适合构建在线脑接机口。
中图分类号: