小训练集下的在线脑机接口算法与实验研究

脑机接口研究对于信息科学和脑科学的探索具有重要的理论价值，同时也提供了一种全新的人机交互方式，具有明显的应用价值。在脑机接口的研究和应用中，在线算法和系统是其中的关键技术。首先，为满足系统的实时性和减少训练时间的要求，拟建立小训练集下的增量特征提取与增量半监督学习方法；其次，针对脑电信号的非平稳特性，改进增量半监督学习算法，使其能够自适应地跟踪脑活动模式的变化；另外，拟研究系统持续工作的在线训练机制，结合脑电差错电位的在线检测与主动学习技术，尽量减少在线训练过程。这些技术将应用于我们的脑机接口系统，通过理论研究与实验研究相结合，设计和开发基于脑电的新型在线脑机接口系统。

脑机接口研究对于信息科学和脑科学的探索具有重要的理论价值，同时也提供了一种全新的人机交互方式，具有明显的应用价值。在脑机接口的研究和应用中，如何减少用户训练时间是一个亟待解决的关键问题。本项目研究了基于在线半监督学习的脑机接口系统和方法，目的是在保证一定的系统性能前提下减少训练时间。在国家自然科学基金支持下，本项目进展顺利，已完成主要研究内容。首先，提出了基于最小方差支持向量机（LS-SVM）的在线半监督学习算法，在理论上证明了算法的收敛性，并研究了其计算复杂度。该算法的性能与自训练SVM相似，而计算量大大减少，因此适合在线系统，我们用基于P300的脑机接口离线数据分析上述算法性能，提出基于阈值选取有效样本点的改进方案，并在上述方法基础上，建立了在线半监督脑机接口实验系统（基于P300的字符输入脑机接口系统）；其次，针对不同模态脑电信号（如P300，运动想象等）的非平稳特性， 研究了增量半监督学习算法的自适应性能；另外，研究了脑电差错电位检测算法，在多个被试数据上验证检测准确率，据此启动主动学习和在线训练。本项目的研究成果发表在包括IEEE Trans. Biomedical Engineering等本领域国际权威期刊上，并发表了多项专利。