运动想象 (MI) 迁移学习系列 (7) : SBCCSP

2024-03-13 15:20

本文主要是介绍运动想象 (MI) 迁移学习系列 (7) : SBCCSP,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

运动想象迁移学习系列:SBCCSP

  • 0. 引言
  • 1. 主要贡献
  • 2. 子带级联的公共空间模式
    • 2.1 算法1
    • 2.2 算法2
    • 2.3 算法3
  • 3. 跨主体下肢运动意象分类方案
    • 3.1 数据预处理
    • 3.2 数据增强
    • 3.3 数据对齐
    • 3.4 特征提取
    • 3.5 模型建立
  • 4. 结果
  • 5. 总结
  • 欢迎来稿

论文地址:https://ieeexplore.ieee.org/abstract/document/10341209
论文题目:Sub-Band Cascaded CSP-based Deep Transfer Learning for Cross-Subject Lower Limb Motor Imagery Classification
论文代码:无

0. 引言

下肢运动意象 (MI) 分类是脑机接口 (BCI) 中一个具有挑战性的研究课题,因为人脑中左右下肢运动的生理表征过于接近。此外,运动想象信号具有严重的受试者特异性特征。以往研究中针对特定受试者设计的分类方案无法满足通用脑机接口系统中跨受试者分类的要求。因此,本研究旨在建立跨受试者的下肢运动想象分类方案。提出了3种新的子带级联公共空间模式(SBCCSP)算法,以低冗余提取代表性特征。验证是基于从实验中执行 MI 任务的受试者收集的基于下肢阶梯的 MI 信号进行的。所提出的3种SBCCSP算法的方案比其他常见的空间模式(CSP)变体具有更好的精度运行时间性能。

总的来说:主要的还是特征提取方法,从实验结果上来看还是有一定的效果的,有想法的可以尝试一下。。。

1. 主要贡献

  1. 提出了三种新的SBCCSP算法,以提取具有强代表性低冗余的MI信号特征
  2. 为了提高分类模型对新用户的重用率,提出了一种基于步进信号的跨学科下肢MI分类方案。

2. 子带级联的公共空间模式

2.1 算法1

在这里插入图片描述
该算法主要步骤如下所示:

  1. 带通滤波,包括一个宽带(4-35Hz)和交叉重叠带(4Hz的带通,但是有2Hz的重叠,如4-8Hz 与 6-10Hz)
  2. CSP提取特征。在阶段2部分,使用CSP算法提取相关特征,然后提取前 m 1 m_1 m1 和 后 m 1 m_1 m1 行数据共同组成 Z ( i ) Z^{(i)} Z(i)。这是因为 2 m 1 2m_1 2m1 行特征包含了最重要的信息
  3. CSP进一步提取特征。在阶段3部分,对 Z ( i ) Z^{(i)} Z(i) 使用CSP算法提取特征,并对特征进行进一步压缩。压缩方法如下:
    在这里插入图片描述
  4. 将压缩得到的数据特征合并。
    在这里插入图片描述

2.2 算法2

在这里插入图片描述
在算法2中,前两个阶段同算法1,在第三个阶段中,得到的数据通过以下公式进行级联:
在这里插入图片描述
第四个阶段对级联后的数据使用CSP提取相关特征。

2.3 算法3

在这里插入图片描述
在算法3中,前三个阶段同算法1,后两个阶段同算法2.

3. 跨主体下肢运动意象分类方案

分类方案的整体结构如下图所示:

在这里插入图片描述

3.1 数据预处理

利用Butterworth带通滤波器和==独立分量分析(ICA)==去除数据中的异常值和伪影。

3.2 数据增强

将每组预处理后的脑电信号分成多个不重叠的数据段,扩大样本量,避免训练集和测试集之间的数据泄露。根据以往的实验经验,下肢机器人在实际运行中的整体反应和计算时间应小于1000ms来在有限的响应时间内满足基本需求。

因此,本方案采用500ms1000ms的数据段作为短时间窗口。

3.3 数据对齐

采用目标对齐(Target Alignment, TA)来减小两个数据集之间的分布差异。假设受试者A的数据在源域Ds,受试者B的数据在目标域Dt, TA将Ds中的数据映射到Dt中的数据,以获得协方差矩阵差最小数据分布一致

3.4 特征提取

特征提取采用提出的SBCCSP算法提取交叉学科信号的共同特征。

3.5 模型建立

在交叉学科下肢MI分类方案中,我们采用DTL-AlexNet作为最终分类器。

为了将AlexNet模型转换为基于步进的MI分类,DTL方法保留了预训练AlexNet的前层,因为这些层可以被视为一个通用的特征提取器,它已经学会了提取信息丰富且鲁棒的特征。用三个新层(两个完全连接层和一个具有MI任务类号的输出层)重建AlexNet的最后三个层(两个完全连接层和一个具有2048个类的输出层),并用提取的特征对权重进行微调和更新。通过分类性能比较,优化并确定预训练AlexNet模型的最终参数。

4. 结果

实验结果如下图所示:
在这里插入图片描述

5. 总结

到此,使用 SBCCSP 已经介绍完毕了!!! 如果有什么疑问欢迎在评论区提出,对于共性问题可能会后续添加到文章介绍中。

如果觉得这篇文章对你有用,记得点赞、收藏并分享给你的小伙伴们哦😄。

欢迎来稿

欢迎投稿合作,投稿请遵循科学严谨、内容清晰明了的原则!!!! 有意者可以后台私信!!

这篇关于运动想象 (MI) 迁移学习系列 (7) : SBCCSP的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/805303

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

Spring Security 从入门到进阶系列教程

Spring Security 入门系列 《保护 Web 应用的安全》 《Spring-Security-入门(一):登录与退出》 《Spring-Security-入门(二):基于数据库验证》 《Spring-Security-入门(三):密码加密》 《Spring-Security-入门(四):自定义-Filter》 《Spring-Security-入门(五):在 Sprin

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

科研绘图系列:R语言扩展物种堆积图(Extended Stacked Barplot)

介绍 R语言的扩展物种堆积图是一种数据可视化工具,它不仅展示了物种的堆积结果,还整合了不同样本分组之间的差异性分析结果。这种图形表示方法能够直观地比较不同物种在各个分组中的显著性差异,为研究者提供了一种有效的数据解读方式。 加载R包 knitr::opts_chunk$set(warning = F, message = F)library(tidyverse)library(phyl

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学