论文周报 | 第8期

更多技术，第一时间送达

导读

---

基于运动想象(Motor Imagery, MI)的脑机接口(BCI)分类存在的主要问题之一是由脑信号中伪影和非平稳性的干扰引起的信息模糊性。其他包含错误标记或误导性运动想象脑电图试验的因素也可能导致训练数据集中存在不确定性，从而导致分类性能下降。该论文提出了一种新的基于多类运动想象EEG的BCI分类方法。针对伪影干扰，提出了一种基于AR-CSP的特征提取方法。并介绍了一种基于自调节自适应共振理论的神经模糊分类器--自调节监督高斯模糊自适应系统(SRSG-FasArt)。为了更有效地处理不确定性，论文中提出了一种基于元认知自调节的学习算法。该算法优先捕获训练数据样本，通过扫描数据模式和所创建规则中存在的知识内容，自动创建、升级或删除模糊规则。该机制提高了SRSG-FasArt的泛化能力，防止了训练过度。实验数据是：BCI竞赛IV数据集2a。利用该数据集对AR-CSP和SRSG-FasArt提出的协作框架的性能进行了评估。实验结果表明，与现有框架相比，该论文提出协作框架BCI分类器，分类效果更准确、更有效。

论文的主要贡献有3点：

1)将眼部和面部肌肉伪影作为脑电图记录中最常见的污染原因，提出了一种剔除伪影的CSP (AR-CSP)特征提取方法。AR-CSP有效地降低了二分类MI任务中工件的影响。AR二分搜索CSP(AR-BCSP)也应用于处理多类识别。

2)论文提出了一种自调节监督高斯FasArt(SRSG-FasArt)来对所导出的特征进行分类。为了更加有效地处理非平稳性问题，在FasArt模型的基础上，利用双边高斯模糊MFs建立了神经模糊SRSG-FasArt框架。并设计改进的模型结构来提高模型的增量学习能力和降低过度训练的可能性。

3)针对SRSG-FasArt提出了一种基于元认知的自调节学习算法，该算法能够更有效地处理由于训练模式不当和错误标记所带来的不确定性。提出的元认知学习算法提高了泛化能力，减少了类别扩散和过度训练问题。

SRSG-FasArt结构图

二叉搜索分类一般通过将每个簇分层分成两个簇来解决多类分类问题，直到得到一个类[1]的簇。下图给出了AR-BCSP的树应用表示。在AR-BCSP中，首先计算一个基本的AR-CSP过滤，将四个类分成两个主要的簇，每个簇包含两个主要类。然后计算另外两个AR-CSP过滤器集，以对每个主要集群中的两个主要类进行分类。从图中可以看出，AR-BCSP需要计算3个AR-CSP过滤器组。在分类过程中，只需要两个滤波器组就可以对每个试验的脑电图数据进行分类，完成四分类问题。

下图为使用CSP、ROCSP和AR-CSP进行特征提取并使用LDA作为分类器的分类准确率(％)比较。

由上图可以看出，AR-CSP在几乎所有的受试者中都取得了较好的结果。受试者3和受试者9的结果与原始CSP相同，这意味着RoCSP和AR-CSP均未检测到影响线性分类器LDA训练的伪影。受试者6的训练数据被RoCSP识别为不存在此类伪影，而通过应用AR-CSP则改善了训练结果。

下图为使用CSP进行特征提取，使用LDA，FASART，SRIT2NFIS和SRSG-FASART作为分类器进行分类准确性(％)比较。

由上图可发现，与AR-CSP和SRSGFasArt相比，AR-CSP+SRSGFasArt具有更高的分类精度和更低的标准偏差，从而证明了协作框架对基于MI EEG的BCI中信息不确定性，具有更好的鲁棒性。

论文地址

https://ieeexplore.ieee.org/document/7982748