当前位置:科学网首页 > 基金首页 > 基于安全半监督学习的在线脑电信号识别研究

国家自然科学基金项目查询

基于安全半监督学习的在线脑电信号识别研究

批准号61601162 学科分类医学电生理检测 ( F012502 )
项目负责人甘海涛 负责人职称讲师 依托单位杭州电子科技大学
资助金额19.00
万元
项目类别青年科学基金项目 研究期限2017 年 01 月 01 日 至
2019 年 12 月 31 日
中文主题词脑电信号;脑电信号识别;预测模型
英文主题词EEG;EEG classification;Predictive model

摘要

中文摘要 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。
英文摘要 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.
结题摘要

成果

序号 标题 类型 作者

关于我们| 网站声明| 服务条款| 联系方式| RSS| 中国科学报社 京ICP备07017567号-12 京公网安备110402500057号
Copyright @ 2007- 中国科学报社 All Rights Reserved
地址:北京市海淀区中关村南一条乙三号   电话:010-62580783