基于迁移学习的脑机接口特征提取和预测方法研究

Brain-computer interface (BCI) technology is a hot spot of the present international frontier research in the fields of neural engineering, signal processing,etc.. The key of BCI technology is the feature extraction and prediction of brain signals. However, small sample size (SSS), namly few training sample, is a common problem for BCI applications which could easily lead to the overfitting of feature extraction and prediction model, and has not been well solved. Transfer learning (TL) method developed in recent years is a possible efficient way to solve the SSS problem of BCI, but many issues still exist in both aspects of theory and practice. Therefore, we plan to study the feature extraction and prediction method of BCI based on TL, the main contents are listed as follows: (1) According to the instability of the distributions of brain signals, we design the objective function of TL based on the measure of transfer risk. (2) On the basis of the objective function, we propose the method to extract transferable information simultaneously based on samples and features. (3) According to the big noise in brain signals, we study the noise suppressing mechanism to enhance the robustness of TL algorithm in the case of SSS. (4) We perform the theoretical analysis on TL， investagate the improvable conditions, the upper bound of generalization error,etc..

脑机接口技术是当前国际上神经工程、信号处理等领域的前沿研究热点。脑信号的特征提取和预测是脑机接口技术的关键,然而小样本,即训练样本少，是脑机接口应用中常见的问题,容易导致特征提取和预测模型的过拟合,目前尚没有得到很好地解决。近年来兴起的迁移学习方法是解决脑机接口中小样本问题的可能的有效途径,但是在理论和实践方面都还存在许多问题。因此, 我们拟研究基于迁移学习的脑机接口特征提取和预测方法, 主要内容如下: (1) 针对脑信号分布不稳定的特点, 设计基于迁移风险度量的迁移学习目标函数;(2) 依据该目标函数, 提出同时基于样本和特征的可迁移信息抽取方法; (3) 针对脑信号噪声大的特点, 研究抑制噪声的机制, 以增强迁移学习算法在小样本情况下的鲁棒性; (4) 对迁移学习进行理论分析,研究迁移学习可改进的条件、泛化错误的上界等。

近十年, 随着神经科学、信号处理和机器学习领域的不断发展和融合，研究人员设计出各种各样的脑机接口系统帮助残疾人直接利用脑信号控制外部设备改善生活。其中基于运动想象的脑机接口（MI BCI）无需刺激信号，便于用户主动发出指令，受到广泛的关注和研究。但是，MI BCI的两个主要的脑电（EEG）神经生理特征—运动相关电位（MRP）和事件去同步（ERD）受到大量伪迹和噪声的影响，而且不同人的MRP和ERD在时间、空间和频段分布上具有一定的差异。因此，目前MI BCI的机器学习算法往往需要每一位用户进行较长时间的训练，采集大量的脑电样本，才能提取可靠的MRP和ERD特征，区分不同的脑电信号状态，生成准确的控制指令，使得MI BCI的实际应用非常不方便。. 本项目研究MI BCI中的迁移学习方法，利用相关用户的EEG数据，辅助目标用户EEG数据的特征提取和分类，从而降低对目标用户训练样本的需求。 我们 (1)提出了针对MRP时频分布个体差异的自适应滤波方法，避免了以往预处理过程中繁琐的人工参数选择，自动匹配不同被试者的EEG信号, 提高了脑机接口分类模型的泛化能力；(2) 设计了基于最大均值差异正则化的半监督MRP空间滤波和特征提取方法，增强了脑机接口分类模型的跨被试泛化能力；(3) 提出了基于源信号距离的MRP特征提取和分类方法，提高了脑机接口分类精度；(4) 针对ERD时频分布的个体差异性，建立了联合时频选择、非线性相关特征提取和分类的学习模型，并设计了统一面向交叉验证误的优化算法，增强了学习模型的泛化能力; (5）利用脑源信号与伪迹/噪声信号的弱相关的先验知识，在时-空-频域构建了基于多任务学习框架的非负矩阵分解模型，联合优化群体共享因子矩阵和个体差异因子矩阵，以适应个体样本不足的情况。. 因为个体差异性与群体相似性并存是很多生物医学信号的共性特点，所以本项目成果不仅可以直接应用于脑机接口系统，减轻用户训练负担，还可以间接应用于其它生物医学信号的机器学习任务，比如心音分类、唇语识别等。