基于安全半监督学习的在线脑电信号识别研究

By analyzing the EEG signal, Brain-Computer Interface (BCI) realizes the control of the external devices with the brain. It will improve the quality of life and Self-Help skills for some patients, such as limb amputation. Due to the good prospects for development, BCI has received much attention in academic and engineering field. However, there are some disadvantages in practical applications, such as long training time and time-varying of EEG for a user. In the case of a little training time, the existing methods exploit the information of online collected EEG by semi-supervised learning methods and achieve the good performance. But they do not consider the risk of EEG. Therefore, a safe semi-supervised learning-based online EEG classification method is introduced in the project by analyzing the risk degree of EEG in theory. The main research contents include that: 1) The risk degree of online collected EEG is studied and the corresponding model is established; 2) The best way of different risk degree-based safe semi-supervised learning methods is studied; 3) Risk degree and distinguishing degree are used to measure the importance of EEG and an effective online additions and deletions mechanism is established; 4) The proposed method is verified through international competition benchmark datasets and online test. The research of the project enriches the theory of semi-supervised learning and contributes to the practical application of BCI from the laboratory.

脑-机接口技术（BCI）通过分析人的脑电信号，实现大脑对外部设备的控制，从而提高肢体截肢等病人的生活质量和自理能力，由于其良好的发展前景已引起了学术和工程界的极大关注。但在实际应用中，仍存在部分不足，如：受试者所需的训练时间较长、EEG数据具有时变性等问题。在训练时间较少的情况下，现有的方法以半监督学习的形式挖掘在线采集EEG数据的信息，取得了较好的效果，但没有考虑到数据的使用风险性。为此，本项目从理论上分析数据的风险性，提出基于安全半监督学习的在线脑电信号识别算法。主要研究内容包括：1）研究在线采集EEG数据的风险性，建立其风险度模型；2）研究最佳的基于数据风险度的安全半监督学习算法；3）研究基于风险度和判别度的样本重要性度量，建立有效的在线增删机制；4）通过国际竞赛标准数据库和在线测试验证算法的有效性。本项目的研究丰富了半监督学习算法理论，有助于BCI系统从实验室走向实际应用。

机器学习是人工智能领域一种有效的数据挖掘手段，已引起学术界和产业界的关注。为了提高机器学习中监督分类和半监督分类算法的泛化性和安全性，本项目结合统计特性和未标记样本的风险特性，提出了不同的监督、半监督和安全半监督分类算法，并应用于EEG信号识别和人脸识别等任务。研究内容包括：（1）结合间隔分布和图正则化，建立鲁棒的监督分类算法，提高其泛化能力；（2）结合重构算法，建立一种新的半监督降维算法，应用于人脸识别任务，提高对噪声的鲁棒性；（3）设计不同的未标记样本风险度评估模型，建立基于风险度的安全半监督分类算法，在此基础上，探索基于自适应风险度的安全半监督分类算法，提高半监督分类算法的安全性；（4）在应用上，首先分析运动想象EEG信号的去噪算法，其次利用不同的熵提取熵特征，并通过分析未标记EEG信号的风险性，建立基于安全半监督极限学习机的EEG信号识别算法。此外，针对半监督聚类算法中缺少对标记样本安全性的研究，本项目采用无监督聚类估计标记样本的风险性，利用局部一致性和置信度加权方式构建标记样本的安全使用机制，提出了三种安全半监督聚类算法，在UCI数据集上取得了良好的结果。本项目的研究丰富了半监督学习算法理论，也有助于BCI系统从实验室走向实际应用。