基於安全半監督學習的線上腦電信號識別研究

《基於安全半監督學習的線上腦電信號識別研究》是依託杭州電子科技大學，由甘海濤擔任項目負責人的青年科學基金項目。

基本介紹

• 中文名：基於安全半監督學習的線上腦電信號識別研究
• 項目類別：青年科學基金項目
• 項目負責人：甘海濤
• 依託單位：杭州電子科技大學

項目摘要

腦-機接口技術（BCI）通過分析人的腦電信號，實現大腦對外部設備的控制，從而提高肢體截肢等病人的生活質量和自理能力，由於其良好的發展前景已引起了學術和工程界的極大關注。但在實際套用中，仍存在部分不足，如：受試者所需的訓練時間較長、EEG數據具有時變性等問題。在訓練時間較少的情況下，現有的方法以半監督學習的形式挖掘線上採集EEG數據的信息，取得了較好的效果，但沒有考慮到數據的使用風險性。為此，本項目從理論上分析數據的風險性，提出基於安全半監督學習的線上腦電信號識別算法。主要研究內容包括：1、研究線上採集EEG數據的風險性，建立其風險度模型；2、研究最佳的基於數據風險度的安全半監督學習算法；3、研究基於風險度和判別度的樣本重要性度量，建立有效的線上增刪機制；4、通過國際競賽標準資料庫和線上測試驗證算法的有效性。本項目的研究豐富了半監督學習算法理論，有助於BCI系統從實驗室走向實際套用。

結題摘要

機器學習是人工智慧領域一種有效的數據挖掘手段，已引起學術界和產業界的關注。為了提高機器學習中監督分類和半監督分類算法的泛化性和安全性，本項目結合統計特性和未標記樣本的風險特性，提出了不同的監督、半監督和安全半監督分類算法，並套用於EEG信號識別和人臉識別等任務。研究內容包括：（1）結合間隔分布和圖正則化，建立魯棒的監督分類算法，提高其泛化能力；（2）結合重構算法，建立一種新的半監督降維算法，套用於人臉識別任務，提高對噪聲的魯棒性；（3）設計不同的未標記樣本風險度評估模型，建立基於風險度的安全半監督分類算法，在此基礎上，探索基於自適應風險度的安全半監督分類算法，提高半監督分類算法的安全性；（4）在套用上，首先分析運動想像EEG信號的去噪算法，其次利用不同的熵提取熵特徵，並通過分析未標記EEG信號的風險性，建立基於安全半監督極限學習機的EEG信號識別算法。此外，針對半監督聚類算法中缺少對標記樣本安全性的研究，本項目採用無監督聚類估計標記樣本的風險性，利用局部一致性和置信度加權方式構建標記樣本的安全使用機制，提出了三種安全半監督聚類算法，在UCI數據集上取得了良好的結果。本項目的研究豐富了半監督學習算法理論，也有助於BCI系統從實驗室走向實際套用。