《多類EEG信號的時空特徵提取研究》是依託東南大學，由王海賢擔任項目負責人的面上項目。
基本介紹
- 中文名：多類EEG信號的時空特徵提取研究
- 項目類別：面上項目
- 項目負責人：王海賢
- 依託單位：東南大學
中文摘要,結題摘要,
中文摘要
多類EEG信號的特徵提取和分類是多任務腦信號解碼中重要而富有挑戰性的課題。本項目旨在項目組已有的研究工作基礎上，系統地開展多類EEG信號的時空濾波（Multi-class spatio-temporal filtering, MSTF），即特徵提取研究，發展MSTF的理論和有效算法，建立適用於多類EEG信號的特徵提取、數據降維方法：(a) 以Kullback-Leibler散射作為類間度量，結合流形學習的研究成果，建立基於流形的MSTF，發掘多類EEG信號間的流形結構；(b) 基於Bayes判別理論，在等方差Gauss分布假定下設計EEG二維矩陣數據的最優MSTF濾波器；(c) 利用核函式，實現基於核的非線性MSTF算法。本項目的研究為多類EEG信號精確、魯棒的特徵提取、及多任務的腦機接口系統提供全新的手段和思路，研究結果可廣泛套用於康復醫療、輔助控制、科學教育、軍方等領域。
結題摘要
多類EEG信號的特徵提取和分類是多任務腦信號解碼、神經信息工程中重要而富有挑戰性的課題。本項目研究圍繞研究計畫，主要研究工作集中在多類EEG信號特徵提取、及多類模式識別理論算法兩個方面。 （1）在多類EEG信號特徵提取研究方面：針對EEG信號的矩陣特點，推導出多類EEG信號分類的Bayes誤判機率的上界，據此給出一個多類EEG信號特徵提取的框架，突破兩類任務的腦機接口技術，在一定程度上完美地解決了多類EEG信號分類問題；以Kullback-Leibler散射作為類間度量，結合流形學習的研究成果，建立基於流形的多類EEG信號特徵提取方法，發掘多類EEG信號間的流形結構；針對EEG信號特徵提取中經典的共同空間模式，研究其判別準則——構造一個Fisher型的判別準則，即最大化類間散射且同時最小化類內散射，提出判別共同空間模式；研究共同空間模式的流形學習——在EEG信號的散射矩陣中時明確地考慮了EEG時間片段的局部結構，提出局部判別空間模式；研究共同空間模式的半監督學習——從圖的角度，利用L1-範數圖刻畫EEG樣本的內在時間結構信息，並通過正則化共同空間模式的目標函式使得未標記樣本的時間關係儘量被保持，同時利用標記和未標記的樣本，提出半監督學習方案；研究共同空間模式的魯棒學習——在邊界最佳化的理論框架下設計疊代算法，解決基於L1-範數度量的商形式的目標函式求解問題，發展一類基於L1-範數度量的魯棒濾波方法，從一個嶄新的角度審視魯棒濾波問題；研究共同空間模式的判別與適應性擴展問題——判別擴展是基於Fisher判別準則，同時考慮類間散射和類內散射，而適應性擴展用稀疏表示來指定局部時間散射矩陣中權值。 （2）在多類模式識別的理論算法研究方面：研究基於混合多元t分布的多類判別問題；根據模式識別領域中的研究發展，開展多類子空間的流形、稀疏、L1-範數建模等前沿研究，這些子空間方法包括典型相關分析、線性圖嵌入、主成分分析、Fisher線性判別分析、稀疏保持學習。子空間模式識別理論算法的研究對於EEG信號的特徵提取研究具有重要的指導作用，也是EEG信號特徵提取研究的基礎，使得本項目的研究能緊密結合國際動態、更加深入完善。 本項目的研究完成了預期的成果目標，取得了一系列研究成果，為多類EEG信號精確魯棒的特徵提取、及多任務的腦機接口系統提供全新的手段和思路。
