统计结构学习方法及其在个体差异脑信号分析中的应用研究

Analysis of high dimensional complex data is an attractive and chanllenging field in machine learning, especially for the analysis of brain signal which is subject diffrentiated. Considering both distinction and similarity exist in homogeneous data, research on how to learning with the guide of common structure information gets important. The classic machine learning method and deep learning both try to discover the inner-sample structure feature. However, no efficient extraction and representation methods for prior structure have been developed. The learning results are usually hard to interpret and no appropriate prior knowledge has been incorporated. This project will model the inner-sample structure based on average pattern and bias analysis. By considering both inner-sample and inter-sample structure constraint, a statistical structured learning method will be developed. The proposed method will be employed for subject differentiated electrical brain signal analysis. Motor imagery classification will be conducted based on structured learning to enable information transferring among subjects and improve the generality of the learning results.

高维复杂模式分析是机器学习领域的热点和难点，特别是具有个体差异且维数高数量少的脑信号数据分析。考虑到同质数据既存在差异性，又必然有共同性的特点，研究如何利用数据中的共同结构信息引导学习过程，具有重要意义。经典机器学习方法及深度学习，都试图揭示样本内部结构特征，但并未引入有效的先验结构提取和表示方法，其学习结果通常难以解释，且学习过程缺乏合理的先验知识引导。本项目拟采取样本内部结构统计建模及偏差分析的方法，建立描述样本间及样本内部结构的平均模式偏差模型；将样本间及样本内部多级结构约束引入机器学习算法中，建立统计结构学习方法；针对具有个体差异性的脑电模式分析，将统计结构学习应用到运动想象脑信号模式分类中，以期实现不同主体间的信息迁移参考，从而提高学习结果的泛化能力。

在意识活动和认知行为发生时，大脑产生的脑电信号传达了脑活动模式的相关信息，而脑电信号具有维度高、非线性、非平稳性等特点，并且不同个体的同种活动具有个体差异性。考虑到同质大脑信号既存在差异性，又必然有共同性的特点，研究如何利用数据空间中共同的结构信息引导学习过程，具有重要意义。经典机器学习方法及深度学习，都试图揭示样本内部结构，然而却并未引入有效的先验结构提取和表示方法，其学习结果通常难以解释或者需要很长时间才能收敛，甚至无法收敛。本项目采取样本内部结构统计建模及偏差分析的方法，建立了描述样本间及样本内部结构的平均偏差结构模型；将样本间及样本内部双重结构约束引入机器学习算法中，建立了统计结构学习方法；基于数据空间分级结构模型的解耦，建立了分布式并行机器学习算法；针对具有个体差异性的脑电模式分析，将统计结构学习应用到运动想象脑信号模式分类中，初步实现了不同主体间的信息迁移参考，从而提高了学习结果的泛化能力，为建立具有实用价值的脑机接口系统提供了基础。通过为期一年的研究，项目组开发完成了一套基于运动想象脑信号控制的嵌入式脑机接口系统；针对脑电信号分类的具体应用，建立了基于结构约束的机器学习方法，并分别结合非负矩阵分解算法和深度学习算法，实现了多主体的脑电信号分类，取得了良好的结果。项目研究人员在一年内发表了2篇国际期刊论文（SCI检索，并且1篇发表于医疗康复类顶级期刊IEEE Transaction on Neural Systems and Rehabilitation Engineering），1篇国际会议论文（EI检索，IEEE旗舰会议）；课题组3名研究生依托本课题顺利毕业，其中1名获得工学博士学位，2名获得工学硕士学位。此外，还有2篇已投稿正在审稿过程中的国际期刊论文。本项目的研究面向建立实用的脑机接口系统，在脑认知研究领域具有重要意义。