运动想象 (MI) 迁移学习系列 (7) : SBCCSP

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和运行时间性能。

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

提出了三种新的SBCCSP算法，以提取具有强代表性和低冗余的MI信号特征
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：

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）
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 $m_1$ 和后 $m_1$ 行数据共同组成 $Z^{(i)}$ 。这是因为 $2m_1$ 行特征包含了最重要的信息。
CSP进一步提取特征。在阶段3部分，对 $Z^{(i)}$ 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：
将压缩得到的数据特征合并。

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：

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500ms和1000ms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和数据分布一致。

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。