黎曼学习矢量量化方法研究及其在脑机接口中的应用

Brain-Computer Interface (BCI) utilizes brain signals to control external devices, providing an alternative pathway for human brain to communicate with the outside world. It is widely used for stroke rehabilitation and in the areas of Cognitive Computing, Human-Machine Interface, Cyborg Intelligence, etc. How to translate brain activities effectively into correct control instructions is still an open question. In this project, we propose to alternate the learning vector quantization (LVQ) algorithm by replacing the Euclidean distance with Riemannian distance, for the purpose of classifying symmetric positive definite (SPD) matrices which lives in the Riemannian manifold, as EEG data can be represented by covariance matrix which is SPD. We further propose to incorporate metric learning in the Riemannian LVQ to perform EEG sensor weighting, leading to improved generalization performance. Subject transfer learning is also incorporated though generic initialization to develop a BCI that can be used without calibration or after a short calibration. Through the study in this project, we can develop a set of Riemannian LVQ learning algorithms. By using these algorithms, we can construct a type of reliable and continuously adaptive EEG decoders, and we can also build a kind of roust and easy-used BCI. Consequently, the proposed project may push forward the development of BCI, being of great theoretical and practical significance.

脑机接口采用脑电信号控制外部设备，为人脑与外界之间提供一种全新的交互方式，在神经康复、认知计算、人机交互以及人机混合智能等领域有着广泛的应用前景。如何有效地将人脑活动转换为控制指令仍然是脑机接口尚待解决的问题。 因为脑信号可以表示成协方差矩阵，属于对称正定矩阵，位于黎曼空间，本课题提出一种新的基于黎曼空间的学习矢量量化方法，用于脑信号的翻译。采用鲁棒的黎曼距离，建立可靠性高的在线黎曼学习矢量量化模型；加入度量学习，同时为提取脑信号的各个通道学习一个权重，可进一步提高模型的识别能力；采用迁移学习理论，对模型进行通用性初始化，可实现一种不需要调制就可以使用的脑机接口。通过本研究，可构建一套黎曼矢量量化学习方法理论，构建一种可靠的自适应脑信号翻译方法，以及一种实用性好的脑机接口，对推进脑机接口技术理论与实践的发展，具有重要的理论意义与实用价值。

脑机接口采用脑信号控制外部设备，为大脑与外界间提供一种全新的交互方式，在神经康复、认知计算、人机交互等领域有着广泛的应用前景。随着各国脑计划的颁布与实施，脑机接口变成了各国必争的国际前沿。如何有效地将大脑活动转换为控制指令是脑机接口技术的核心问题之一。脑电图是一种常用的捕捉大脑活动的方式。因为其无需手术，采集灵活等优点，备受青睐。然而脑电图采集的头皮脑电信号时空分辨率低，信噪比低，该领域学习样本少等问题，对该种信号的翻译具有极大的挑战。针对这些问题，本课题研究基于黎曼空间的脑信号解码方法。将脑信号表征为协方差矩阵，将其转换为对称正定黎曼空间中的数据点。由于该黎曼空间是弯曲的，经典的欧式空间机器学习方法无法取得好的识别结果。 因此，在黎曼几何的理论基础上，将欧式空间中面向小样本学习的矢量量化方法扩展为能直接处理黎曼空间数据的学习方法。具体研究内容包括：.（1）利用仿射不变黎曼距离，将处理向量数据的广义学习矢量量化方法和概率学习矢量量化方法扩展为处理对称正定矩阵数据的广义学习黎曼空间量化方法和概率学习黎曼空间量化方法。在BCI竞赛IV2a数据集上，平均kappa值为分别为0.586和0.59，与竞赛第一名相比分别平均提高了2.8%和3.5%。 .（2）利用对数欧式黎曼距离，引入对数欧式度量学习，建立了基于对数欧式度量学习的广义学习矢量量化方法和基于对数欧式度量学习的概率矢量量化方法，识别性能稍差于基于仿射不变黎曼距离的黎曼空间量化方法，但是识别速度提高了约20倍，更适合实时处理的脑机接口系统。.（3）在以上算法的基础上，引入迁移学习理论，利用中心重定位的方法，将测试样本域与训练样本域对齐，在在BCI竞赛IV2a数据集上，将测试样本的平均kappa值从0.5864提高到0.6229，达到目前该数据上最好的识别性能。.本课题建立了一套基于黎曼空间的脑信号解码方法，对建立实用好的脑机接口具有极大帮助，对推进脑机接口技术理论与实践的发展，具有重要的理论意义与实用价值。