基于混合迁移学习的运动想象分类算法研究及其在脑机接口中的应用

为提升迁移学习在运动想象脑机接口应用过程中的迁移高效性及普适性,综合实例迁移和特征迁移学习方法的优势进而构建了混合迁移学习模型.首先,依据样本权重极化原理改进TrAdaBoost算法以实现实例层面的迁移,优化源域训练样本;其次,基于大间隔投射迁移支持向量机进一步缩短源域与目标域间的分布距离以完成特征层面的迁移,实现迁移效率最大化.进一步,将该方法应用于脑机接口竞赛Dataset Ⅱb数据集进行离线测试及分析,研究结果表明混合迁移学习模型的迁移效率明显高于单一迁移学习模型,并且对于不同迁移对象识别准确率相对提升均值在70％以上,验证了所述方法的有效性与普适性.此外,基于已搭建的运动想象识别系统进行在线测试,验证了模型的实用性.