运动想象脑电图的空域特征迁移核学习方法

doi:10.11772/j.issn.1001-9081.2023111593

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (11): 3354-3363.DOI: 10.11772/j.issn.1001-9081.2023111593

运动想象脑电图的空域特征迁移核学习方法

杨思琪¹^,², 罗天健¹^,²(), 严宣辉¹^,², 杨光局¹^,²

^1.福建师范大学计算机与网络空间安全学院，福州 350117
^2.数字福建环境监测物联网实验室（福建师范大学），福州 350117

收稿日期:2023-11-20 修回日期:2024-03-19 接受日期:2024-03-21 发布日期:2024-03-22 出版日期:2024-11-10
通讯作者: 罗天健
作者简介:杨思琪（2000—），女，湖南衡阳人，硕士研究生，CCF会员，主要研究方向：脑机接口、模式识别
严宣辉（1968—），男，福建福州人，教授，博士，主要研究方向：模式识别
杨光局（1999—），男，福建三明人，硕士研究生，CCF会员，主要研究方向：模式识别。
基金资助:
国家自然科学基金资助项目(62106049);福建省自然科学基金资助项目(2022J01655)

Transfer kernel learning method based on spatial features for motor imagery EEG

Siqi YANG¹^,², Tianjian LUO¹^,²(), Xuanhui YAN¹^,², Guangju YANG¹^,²

^1.College of Computer and Cyber Security，Fujian Normal University，Fuzhou Fujian 350117，China
^2.Digital Fujian Internet?of?Thing Laboratory of Environmental Monitoring （Fujian Normal University），Fuzhou Fujian 350117，China

Received:2023-11-20 Revised:2024-03-19 Accepted:2024-03-21 Online:2024-03-22 Published:2024-11-10
Contact: Tianjian LUO
About author:YANG Siqi， born in 2000， M. S. candidate. Her research interests include brain computer interface， pattern recognition.
YAN Xuanhui， born in 1968， Ph. D.， professor. His research interests include pattern recognition.
YANG Guangju， born in 1999， M. S. candidate. His research interests include pattern recognition.
Supported by:
National Natural Science Foundation of China(62106049);Natural Science Foundation of Fujian Province(2022J01655)

摘要/Abstract

摘要：

运动想象脑电（MI-EEG）信号在构建临床辅助康复的无创脑机接口（BCI）中获得了广泛关注。受限于不同被试者的MI-EEG信号样本分布存在差异，跨被试MI-EEG信号的特征学习成为研究重点。然而，现有的相关方法存在域不变特征表达能力弱、时间复杂度较高等问题，无法直接应用于在线BCI。为解决该问题，提出黎曼切空间特征迁移核学习（TKRTS）方法，并基于此构建了高效的跨被试MI-EEG信号分类算法。TKRTS方法首先将MI-EEG信号协方差矩阵投影至黎曼空间，并在黎曼空间上对齐不同被试者的协方差矩阵，同时提取黎曼切空间（RTS）特征；随后，学习RTS特征集上的域不变核矩阵，从而获得完备的跨被试MI-EEG特征表达，并通过该矩阵训练核支持向量机（KSVM）进行分类。为验证TKRTS方法的可行性与有效性，在3个公开数据集上分别进行多源域-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0.81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保持相似的时间复杂度。此外，消融实验结果验证了TKRTS方法对跨被试特征表达的完备性和参数不敏感性，适合构建在线脑接机口。

关键词: 运动想象, 脑电信号, 跨被试, 黎曼切空间特征, 迁移核学习

Abstract:

Motor Imagery ElectroEncephaloGram （MI-EEG） signal has gained widespread attention in the construction of non-invasive Brain Computer Interfaces （BCIs） for clinical assisted rehabilitation. Limited by the differences in the distribution of MI-EEG signal samples from different subjects， cross-subject MI-EEG signal feature learning has become the focus of research. However， the existing related methods have problems such as weak domain-invariant feature expression capabilities and high time complexity， and cannot be directly applied to online BCIs. To address this issue， an efficient cross-subject MI-EEG signal classification algorithm， Transfer Kernel Riemannian Tangent Space （TKRTS）， was proposed. Firstly， the MI-EEG signal covariance matrices were projected into the Riemannian space and the covariance matrices of different subjects were aligned in Riemannian space while extracting Riemannian Tangent Space （RTS） features. Subsequently， the domain-invariant kernel matrix on the tangent space feature set was learnt， thereby achieving a complete representation of cross-subject MI?EEG signal features. This matrix was then used to train a Kernel Support Vector Machine （KSVM） for classification. To validate the feasibility and effectiveness of TKRTS method， multi-source domain to single-target domain and single-source domain to single-target domain experiments were conducted on three public datasets， and the average classification accuracy is increased by 0.81 and 0.13 percentage points respectively. Experimental results demonstrate that compared to state-of-the-art methods， TKRTS method improves the average classification accuracy while maintaining similar time complexity. Furthermore， ablation experimental results confirm the completeness and parameter insensitivity of TKRTS method in cross-subject feature expression， making this method suitable for constructing online BCIs.

Key words: motor imagery, ElectroEncephaloGram (EEG) signal, cross-subject, Riemannian Tangent Space (RTS) feature, Transfer Kernel Learning (TKL)

中图分类号:

TP242

杨思琪, 罗天健, 严宣辉, 杨光局. 运动想象脑电图的空域特征迁移核学习方法[J]. 计算机应用, 2024, 44(11): 3354-3363.

Siqi YANG, Tianjian LUO, Xuanhui YAN, Guangju YANG. Transfer kernel learning method based on spatial features for motor imagery EEG[J]. Journal of Computer Applications, 2024, 44(11): 3354-3363.

图/表 13

参考文献 33

1	肖晓琳，辛风然，梅杰，等.自适应脑机接口研究综述［J］.电子与信息学报，2023，45（7）：2386-2394.
	XIAO X L， XIN F R， MEI J， et al. A review of adaptive brain-computer interface research［J］. Journal of Electronics and Information Technology， 2023， 45（7）： 2386-2394.
2	ALTAHERI H， MUHAMMAD G， ALSULAIMAN M， et al. Deep learning techniques for classification of ElectroEncephaloGram （EEG） Motor Imagery （MI） signals： a review［J］. Neural Computing and Applications， 2023， 35（20）： 14681-14722.
3	赵欣，陈志堂，王坤，等.运动想象脑-机接口新进展与发展趋势［J］.中国生物医学工程学报，2019，38（1）：84-93.
	ZHAO X， CHEN Z T， WANG K， et al. New developments and trends of BCI based on motor imagery［J］. Chinese Journal of Biomedical Engineering， 2019， 38（1）： 84-93.
4	PFURTSCHELLER G. EEG event-related desynchronization （ERD） and synchronization （ERS）［J］. Electroencephalography and Clinical Neurophysiology， 1997， 1（103）： No.26.
5	潘林聪，王坤，许敏鹏，等.面向运动意图解码的共空间模式及其扩展算法研究综述［J］.中国生物医学工程学报，2022，41（5）：577-588.
	PAN L C， WANG K， XU M P， et al. Review of researches on common spatial pattern and its extended algorithms for movement intention decoding［J］. Chinese Journal of Biomedical Engineering， 2022， 41（5）： 577-588.
6	何秋妍，邓明华.通用域适应综述［J］.计算机研究与发展，2024，61（1）：120-144.
	HE Q Y， DENG M H. Survey of universal domain adaptation［J］. Journal of Computer Research and Development， 2024， 61（1）： 120-144.
7	QIN X， WANG J， CHEN Y， et al. Domain generalization for activity recognition via adaptive feature fusion［J］. ACM Transactions on Intelligent Systems and Technology， 2023， 14（1）： No.9.
8	ZANINI P， CONGEDO M， JUTTEN C， et al. Transfer learning： a Riemannian geometry framework with applications to brain-computer interfaces［J］. IEEE Transactions on Biomedical Engineering， 2018， 65（5）： 1107-1116.
9	HE H， WU D. Transfer learning for brain-computer interfaces： a Euclidean space data alignment approach［J］. IEEE Transactions on Biomedical Engineering， 2020， 67（2）： 399-410.
10	ZHANG X， SHE Q， CHEN Y， et al. Sub-band target alignment common spatial pattern in brain-computer interface［J］. Computer Methods and Programs in Biomedicine， 2021， 207： No.106150.
11	LONG M， WANG J， DING G， et al. Transfer feature learning with joint distribution adaptation［C］// Proceedings of the 2013 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2013： 2200-2207.
12	WANG J， CHEN Y， HAO S， et al. Balanced distribution adaptation for transfer learning［C］// Proceedings of the 2017 IEEE International Conference on Data Mining. Piscataway： IEEE， 2017： 1129-1134.
13	ZHANG W， WU D. Discriminative Joint Probability Maximum Mean Discrepancy （DJP-MMD） for domain adaptation［C］// Proceedings of the 2020 International Joint Conference on Neural Networks. Piscataway： IEEE， 2020： 1-8.
14	LONG M， WANG J， DING G， et al. Transfer joint matching for unsupervised domain adaptation［C］// Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2014： 1410-1417.
15	ZHANG W， WU D. Manifold embedded knowledge transfer for brain-computer interfaces［J］. IEEE Transactions on Neural Systems and Rehabilitation Engineering， 2020， 28（5）： 1117-1127.
16	CAI Y， SHE Q， JI J， et al. Motor imagery EEG decoding using manifold embedded transfer learning［J］. Journal of Neuroscience Methods， 2022， 370： No.109489.
17	LUO T J. Dual regularized feature extraction and adaptation for cross-subject motor imagery EEG classification［C］// Proceedings of the 2022 IEEE International Conference on Bioinformatics and Biomedicine. Piscataway： IEEE， 2022： 1092-1099.
18	GAO Y， LIU Y， SHE Q， et al. Domain adaptive algorithm on multi-manifold embedded distributed alignment for brain-computer interfaces［J］. IEEE Journal of Biomedical and Health Informatics， 2023， 27（1）： 296-307.
19	ZHAO H， ZHENG Q， MA K， et al. Deep representation-based domain adaptation for nonstationary EEG classification［J］. IEEE Transactions on Neural Networks and Learning Systems， 2021， 32（2）： 535-545.
20	HONG X， ZHENG Q， LIU L， et al. Dynamic joint domain adaptation network for motor imagery classification［J］. IEEE Transactions on Neural Systems and Rehabilitation Engineering， 2021， 29： 556-565.
21	SHE Q， CHEN T， FANG F， et al. Improved domain adaptation network based on Wasserstein distance for motor imagery EEG classification［J］. IEEE Transactions on Neural Systems and Rehabilitation Engineering， 2023， 31： 1137-1148.
22	LONG M， WANG J， SUN J， et al. Domain invariant transfer kernel learning［J］. IEEE Transactions on Knowledge and Data Engineering， 2015， 27（6）： 1519-1532.
23	DAI M， ZHENG D， LIU S， et al. Transfer kernel common spatial patterns for motor imagery brain-computer interface classification［J］. Computational and Mathematical Methods in Medicine， 2018， 2018： No.9871603.
24	WILLIAMS C K I， SEEGER M. Using the Nyström method to speed up kernel machines［C］// Proceedings of the 13th International Conference on Neural Information Processing Systems. Cambridge： MIT Press， 2000： 661-667.
25	ZHANG T， ANDO R K. Analysis of spectral kernel design based semi-supervised learning［C］// Proceedings of the 18th International Conference on Neural Information Processing Systems. Cambridge： MIT Press， 2005： 1601-1608.
26	JIN R， YANG T， MAHDAVI M， et al. Improved bounds for the Nyström method with application to kernel classification［J］. IEEE Transactions on Information Theory， 2013， 59（10）： 6939-6949.
27	韦泓妤，陈黎飞，罗天健. 运动想象脑电信号的跨域特征学习方法［J］. 计算机应用研究， 2022， 39（8）：2340-2346， 2351.
	WEI H Y， CHEN L F， LUO T J. Cross-domain feature learning method for motor imagery EEG signals［J］. Application Research of Computers， 2022， 39（8）： 2340-2346， 2351.
28	DOSE H， MØLLER J S， IVERSEN H K， et al. An end-to-end deep learning approach to MI-EEG signal classification for BCIs［J］. Expert Systems with Applications， 2018， 114： 532-542.
29	SAKHAVI S， GUAN C， YAN S. Learning temporal information for brain-computer interface using convolutional neural networks［J］. IEEE Transactions on Neural Networks and Learning Systems， 2018； 29（11）：5619-5629.
30	SCHIRRMEISTER R T， SPRINGENBERG J T， FIEDERER L D J， et al. Deep learning with convolutional neural networks for EEG decoding and visualization［J］. Human Brain Mapping， 2017， 38（11）： 5391-5420.
31	LOTTE F， GUAN C. Regularizing common spatial patterns to improve BCI designs： unified theory and new algorithms［J］. IEEE Transactions on Biomedical Engineering， 2011， 58（2）： 355-362.
32	MISHUHINA V， JIANG X. Complex common spatial patterns on time-frequency decomposed EEG for brain-computer interface［J］. Pattern Recognition， 2021， 115： No.107918.
33	LUO T J. Parallel genetic algorithm based common spatial patterns selection on time-frequency decomposed EEG signals for motor imagery brain-computer interface［J］. Biomedical Signal Processing and Control， 2023， 80（Pt 1）： No.104397.

数据集	被试者数	MI任务数	采样时间点数	通道数	样本数
MI2a	9	4	750	22	288
MI2b	9	2	750	3	400
MI4a	5	2	300	118	280

数据集	被试者数	MI任务数	采样时间点数	通道数	样本数
MI2a	9	4	750	22	288
MI2b	9	2	750	3	400
MI4a	5	2	300	118	280

算法	平均分类准确率								均值
算法	MI2a-1	MI2a-2	MI2a-3	MI2a-4	MI2a-5	MI2a-6	MI2b	MI4a	均值
CSP-TJM	57.18	57.64	61.81	57.87	60.88	56.79	67.00	57.36	59.57
CSP-JDA	61.37	62.35	54.58	57.41	57.53	51.25	58.28	60.80	57.95
CSP-LDA	68.90	67.90	66.90	65.05	67.67	57.79	66.73	64.00	65.62
EA-CSP-LDA	73.69	70.99	80.25	70.99	77.16	68.52	68.34	78.29	73.53
MDM	59.62	59.83	55.24	56.08	53.88	52.58	58.14	60.69	57.01
RA-MDM	72.07	72.99	79.48	69.21	77.01	66.28	69.69	77.07	72.98
MEKT	76.31	73.46	81.10	75.08	80.86	69.98	69.47	84.71	76.37
METL	76.00	—	—	—	—	—	—	—	—
SB-TA-CSP	75.15	—	—	—	—	—	—	—	—
TKCSP	—	—	—	—	—	—	—	81.14	—
FWR-JPDA	77.01	75.69	80.56	74.07	78.47	70.06	—	—	—
MMDA	77.93	—	—	—	—	—	—	83.00	—
EA-CSP-JDA	76.70	70.68	79.17	69.75	76.16	66.36	69.56	78.14	73.31
TKRTS-R	75.93	76.54	82.25	75.39	79.94	71.99	69.94	85.43	77.18
TKRTS-L	75.77	75.93	82.18	74.77	80.56	71.30	70.03	84.29	76.85
TKRTS-E	75.31	73.77	82.10	70.91	79.17	71.37	68.03	83.64	75.53

算法	平均分类准确率								均值
算法	MI2a-1	MI2a-2	MI2a-3	MI2a-4	MI2a-5	MI2a-6	MI2b	MI4a	均值
CSP-TJM	57.18	57.64	61.81	57.87	60.88	56.79	67.00	57.36	59.57
CSP-JDA	61.37	62.35	54.58	57.41	57.53	51.25	58.28	60.80	57.95
CSP-LDA	68.90	67.90	66.90	65.05	67.67	57.79	66.73	64.00	65.62
EA-CSP-LDA	73.69	70.99	80.25	70.99	77.16	68.52	68.34	78.29	73.53
MDM	59.62	59.83	55.24	56.08	53.88	52.58	58.14	60.69	57.01
RA-MDM	72.07	72.99	79.48	69.21	77.01	66.28	69.69	77.07	72.98
MEKT	76.31	73.46	81.10	75.08	80.86	69.98	69.47	84.71	76.37
METL	76.00	—	—	—	—	—	—	—	—
SB-TA-CSP	75.15	—	—	—	—	—	—	—	—
TKCSP	—	—	—	—	—	—	—	81.14	—
FWR-JPDA	77.01	75.69	80.56	74.07	78.47	70.06	—	—	—
MMDA	77.93	—	—	—	—	—	—	83.00	—
EA-CSP-JDA	76.70	70.68	79.17	69.75	76.16	66.36	69.56	78.14	73.31
TKRTS-R	75.93	76.54	82.25	75.39	79.94	71.99	69.94	85.43	77.18
TKRTS-L	75.77	75.93	82.18	74.77	80.56	71.30	70.03	84.29	76.85
TKRTS-E	75.31	73.77	82.10	70.91	79.17	71.37	68.03	83.64	75.53

算法	平均分类准确率								均值
算法	MI2a-1	MI2a-2	MI2a-3	MI2a-4	MI2a-5	MI2a-6	MI2b	MI4a	均值
CSP-TJM	55.23	55.40	56.59	55.30	54.93	51.90	59.95	57.52	55.85
CSP-JDA	58.35	56.48	58.96	54.21	56.71	53.29	58.89	60.73	57.20
CSP-LDA	59.28	55.64	59.89	57.06	58.40	54.31	60.81	55.68	57.63
EA-CSP-LDA	64.57	61.27	70.18	59.34	64.91	58.73	67.91	67.39	64.29
MDM	56.28	54.21	56.87	55.11	54.83	52.25	59.68	55.02	55.53
RA-MDM	66.60	69.76	76.78	65.44	71.90	59.74	67.28	75.13	69.08
MEKT	68.73	64.01	71.41	64.90	69.80	60.11	66.04	80.34	68.17
METL	69.06	—	—	—	—	—	—	—	—
SB-TA-CSP	68.76	—	—	—	—	—	—	—	—
FWR-JPDA	67.48	65.05	73.18	60.88	69.48	65.67	—	—	—
MMDA	69.17	—	—	—	—	—	—	77.21	—
EA-CSP-JDA	65.99	62.58	71.51	61.12	66.11	59.16	68.02	71.14	65.70
TKRTS-R	69.73	65.99	73.49	65.18	70.96	61.01	66.78	80.29	69.18
TKRTS-L	69.47	65.87	74.27	65.20	71.79	61.00	66.63	79.45	69.21
TKRTS-E	68.73	65.52	73.02	63.65	70.75	60.65	66.10	78.71	68.39

运动想象脑电图的空域特征迁移核学习方法

Transfer kernel learning method based on spatial features for motor imagery EEG

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 33

相关文章 14

编辑推荐

Metrics

策略	算法	MI2a-1	MI2a-2	MI2a-3	MI2a-4	MI2a-5	MI2a-6	MI2b	MI4a
MTS	CSP-LDA	0.65	0.66	0.66	0.65	0.65	0.66	0.49	0.48
	EA-CSP-LDA	0.77	0.71	0.79	0.77	0.76	0.68	0.50	0.50
	MEKT	0.86	0.90	0.87	0.87	0.87	0.85	1.24	1.39
	TKRTS	0.67	0.59	0.52	0.56	0.65	0.69	1.75	1.62
STS	CSP-LDA	0.21	0.21	0.21	0.21	0.21	0.21	0.12	0.69
	EA-CSP-LDA	0.23	0.23	0.23	0.23	0.23	0.23	0.15	0.96
	MEKT	0.43	0.43	0.43	0.43	0.42	0.42	0.20	1.17
	TKRTS	0.31	0.30	0.37	0.41	0.33	0.34	0.35	1.1

算法	准确率	算法	准确率	算法	准确率
MI-CNN^［28］	60.69	ConvNet^［30］	72.53	CNN-TKL	59.19
C2CM^［29］	74.46	DRDA^［19］	74.70	TKRTS	76.75

策略	算法	平均准确率								均值
策略	算法	MI2a-1	MI2a-2	MI2a-3	MI2a-4	MI2a-5	MI2a-6	MI2b	MI4a	均值
MTS	RTS-TKL	66.98	59.41	62.35	66.13	65.28	57.64	65.39	66.29	63.68
	RA-CSP-TKL	72.69	70.52	80.09	70.91	76.62	65.43	69.53	77.14	72.87
	RA-RTS-KSVM	70.06	74.00	78.32	70.14	76.85	66.20	68.87	74.79	72.40
	RA-RTS-TKL	75.93	76.54	82.25	75.39	79.94	71.99	69.94	85.43	77.69
策略	算法	平均准确率								均值
策略	算法	MI2-1	MI2-2	MI2-3	MI2-4	MI2-5	MI2-6	MI3	MI4	均值
STS	RTS-TKL	64.14	56.91	56.79	59.36	57.17	53.68	62.31	68.25	59.83
	RA-CSP-TKL	65.80	62.37	73.32	60.80	68.98	59.36	67.24	70.96	66.10
	RA-RTS-KSVM	64.27	64.08	74.06	62.89	68.15	57.25	67.19	69.86	65.97
	RA-RTS-TKL	69.73	65.99	73.49	65.18	70.96	61.01	66.78	80.29	69.18

[1]	晁浩, 封舒琪, 刘永利. 脑电情感识别中多上下文向量优化的卷积递归神经网络[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2041-2046.
[2]	时旺军, 王晶, 宁晓军, 林友芳. 小样本场景下的元迁移学习睡眠分期模型[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1445-1451.
[3]	曹铉, 罗天健. 运动想象脑电信号的跨被试动态多域对抗学习方法[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 645-653.
[4]	杨淑莹, 国海铭, 李欣. 基于通道选择和多维特征融合的脑电信号分类[J]. 《计算机应用》唯一官方网站, 2023, 43(11): 3418-3427.
[5]	张军鹏, 施玉杰, 蒋睿, 董静静, 邱昌建. 基于脑电信号的认知功能障碍识别与分类进展综述[J]. 《计算机应用》唯一官方网站, 2023, 43(10): 3297-3308.
[6]	秦静, 孙法莉, HUI Fang, 汪祖民, 高兵, 季长清. 可穿戴脑电图设备关键技术及其应用综述[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1029-1035.
[7]	彭禹, 宋耀莲, 杨俊. 基于数据增强的运动想象脑电分类[J]. 《计算机应用》唯一官方网站, 2022, 42(11): 3625-3632.
[8]	霍首君, 郝琰, 石慧宇, 董艳清, 曹锐. 基于深度卷积网络的运动想象脑电信号模式识别[J]. 计算机应用, 2021, 41(4): 1042-1048.
[9]	罗飞, 刘鹏飞, 罗元, 朱思蒙. 多特征融合的运动想象脑电特征提取方法[J]. 《计算机应用》唯一官方网站, 2020, 40(2): 616-620.
[10]	胡章芳, 张力, 黄丽嘉, 罗元. 基于时频域的卷积神经网络运动想象脑电信号识别方法[J]. 计算机应用, 2019, 39(8): 2480-2483.
[11]	胡敏, 李冲, 路荣荣, 黄宏程. 基于三维视觉指导的运动想象训练性能分析[J]. 计算机应用, 2018, 38(3): 836-841.
[12]	王若凡, 刘静, 王江, 于海涛, 曹亦宾. 基于功率谱及有限穿越可视图的癫痫脑电信号分析算法[J]. 计算机应用, 2017, 37(1): 175-182.
[13]	韩敏, 孙卓然. 基于小波变换和AdaBoost极限学习机的癫痫脑电信号分类[J]. 计算机应用, 2015, 35(9): 2701-2705.
[14]	艾玲梅李营. HHT方法在不同思维作业脑电信号分析中的应用[J]. 计算机应用, 2008, 28(12): 3089-3091.

算法	平均准确率			均值
算法	MI2a	MI2b	MI4a	均值
CSP-TKL	63.71	65.36	64.50	64.52
RA-CSP-TKL	72.31	69.44	77.93	73.23
RCSP-TKL	65.20	65.42	60.71	63.78
RA-RCSP-TKL	71.75	69.44	78.07	73.09
CNN-TKL	59.19	—	—
RTS-TKL	62.97	65.39	66.29	64.88
RA-RTS-TKL	77.01	69.94	85.43	77.46

算法	平均准确率			均值
算法	MI2a	MI2b	MI4a	均值
CSP-TKL	63.71	65.36	64.50	64.52
RA-CSP-TKL	72.31	69.44	77.93	73.23
RCSP-TKL	65.20	65.42	60.71	63.78
RA-RCSP-TKL	71.75	69.44	78.07	73.09
CNN-TKL	59.19	—	—
RTS-TKL	62.97	65.39	66.29	64.88
RA-RTS-TKL	77.01	69.94	85.43	77.46