基于迁移学习的手部自然动作脑电识别

摘要

在脑机接口(BCI)领域，手部自然动作脑电识别对实现自然而精确的人机交互具有重要意义.然而，在针对手部自然动作范式的研究中，利用迁移学习提高模型在不同被试之间泛化能力的尝试仍然较少.本文选择掌握、指捏和旋拧三种手部自然动作开展脑电实验，并在实验数据集上验证了CA-MDM(协方差中心对齐-黎曼均值最小距离)和CA-JDA(协方差中心对齐-联合分布适应)这两种迁移学习算法的有效性.实验结果显示，CA-JDA在二分类和四分类任务中的平均准确率分别为60.51%±5.78%和34.89%±4.42%,而CA-MDM在相同分类任务中的表现分别为63.88%±4.59%和35.71%±4.84%.该结果凸显了基于黎曼空间的分类器在处理协方差特征时的优势.本文的研究不仅证实了迁移学习在手部自然动作范式中的可行性，也可为缩短BCI系统的校准时间，实现自然人机交互策略提供帮助.

关键词

脑机接口 / 手部自然动作 / 迁移学习 / 黎曼几何

基金资助

国家重点研发计划(202022YFC2405602); 江苏省前沿引领技术基础研究专项(BK20192004A); 江苏省自然科学基金(BK20221464)