中国生物医学工程学报
中國生物醫學工程學報
중국생물의학공정학보
CHINESE JOURNAL OF BIOMEDICAL ENGINEERING
2011年
5期
666-672
,共7页
脑电图%半监督学习%支持向量机%标签均值%脑-机接口
腦電圖%半鑑督學習%支持嚮量機%標籤均值%腦-機接口
뇌전도%반감독학습%지지향량궤%표첨균치%뇌-궤접구
研究半监督学习方法在EEG分类中的应用.结合标签均值和自训练思想提出两种新的半监督支持向量机方法.首先通过未标记样本的预测值估计标签均值,然后对未标记样本的标签进行优化.在此基础上提出了两种半监督支持向量机方法,一种是基于多核学习的标签均值自训练半监督支持向量机(Means4vm_mkl);一种是基于迭代优化的标签均值自训练半监督支持向量机(Means4vm_iter).对BCI Competition Dataset中的3组数据进行仿真实验,讨论分类正确率和运算效率两个指标.结果表明,两种方法均有较高的分类正确率,尤其在BCI Ⅰ数据集中,Means4vm_mkl方法达到了竞赛第一名的水平96%;而且运算效率较高,最快的只需29.5s,为在线BCI系统的设计奠定了基础.
研究半鑑督學習方法在EEG分類中的應用.結閤標籤均值和自訓練思想提齣兩種新的半鑑督支持嚮量機方法.首先通過未標記樣本的預測值估計標籤均值,然後對未標記樣本的標籤進行優化.在此基礎上提齣瞭兩種半鑑督支持嚮量機方法,一種是基于多覈學習的標籤均值自訓練半鑑督支持嚮量機(Means4vm_mkl);一種是基于迭代優化的標籤均值自訓練半鑑督支持嚮量機(Means4vm_iter).對BCI Competition Dataset中的3組數據進行倣真實驗,討論分類正確率和運算效率兩箇指標.結果錶明,兩種方法均有較高的分類正確率,尤其在BCI Ⅰ數據集中,Means4vm_mkl方法達到瞭競賽第一名的水平96%;而且運算效率較高,最快的隻需29.5s,為在線BCI繫統的設計奠定瞭基礎.
연구반감독학습방법재EEG분류중적응용.결합표첨균치화자훈련사상제출량충신적반감독지지향량궤방법.수선통과미표기양본적예측치고계표첨균치,연후대미표기양본적표첨진행우화.재차기출상제출료량충반감독지지향량궤방법,일충시기우다핵학습적표첨균치자훈련반감독지지향량궤(Means4vm_mkl);일충시기우질대우화적표첨균치자훈련반감독지지향량궤(Means4vm_iter).대BCI Competition Dataset중적3조수거진행방진실험,토론분류정학솔화운산효솔량개지표.결과표명,량충방법균유교고적분류정학솔,우기재BCI Ⅰ수거집중,Means4vm_mkl방법체도료경새제일명적수평96%;이차운산효솔교고,최쾌적지수29.5s,위재선BCI계통적설계전정료기출.