摘要
脑机接口（Brain-Computer Interface, BCI）是一种人机交互技术，可以基于多种神经信号，包括脑电图（Electroencephalogram, EEG），旨在建立人脑和计算机之间的交互，实现人脑直接控制计算机或其他外部设备的功能。它通过将脑电信号采集、处理、分类、转换和反馈，实现了人类与计算机之间的高速、准确和直接的交互，为残障人士提供了更高的自主性和更有效的控制方式，也为普通人提供了更加高效和便捷的控制方式。然而脑机接口需要收集足够多的脑电信号来训练分类模型。当 BCI 系统的操作维度较大时，会给数据采集带来很大负担，这会降低脑机接口的实用性。 本文探讨了在基于语言想象与运动想象的脑机接口系统中，如何利用迁移学习减轻被试采集负担的问题。具体而言，本文引入了迁移学习思想，利用其他受试者的有标签EEG样本来训练当前受试者的分类模型，以期望得到一个性能良好的分类器。与传统迁移学习算法不同的是，本文针对所实施实验范式的时序特性，通过提出的基于标签对齐和切空间映射的多频带数据拼接（ Multi-band Data Stitching with Label Alignment and Tangent Space Mapping, MDSLATSM）异构标签空间迁移学习算法，获取到了当前受试者大量的人工带标签的 EEG 样本，从而减少了当前受试者所需要采集的数据量，达到了减轻受试者采集负担的目的。本文的主要研究内容如下： （1）基于对语言想象和运动想象这两种不同意识任务的深入研究，本文设计了一个新颖的多模态实验范式，旨在增加脑机接口系统的操作指令集，进一步提高其性能表现。具体而言，本文采用了一种时序编码的策略，在语言想象和运动想象任务的基础上，对这两种单一的想象任务进行时序编码，从而实现了获取多模态脑电信号的目的。 （2）基于所提出的实验范式，在充分分析该实验范式的脑电信号具有跨标签可迁移性特征之后，本文提出了一种数据拼接算法。通过该算法，人工的增加了带标签的数据，减小了受试者的采集负担。然后结合标签对齐算法来处理获取到的多模态脑电信号，显著减小了构建的带标签的训练数据与已有的带标签数据之间的分布差异。 （3）针对时序编码的实验范式，提出了MDSLATSM异构标签空间迁移学习算法。该算法首先通过多频带滤波，获得含有更多信息的 EEG 数据。然后通过数据拼接算法将源域数据拼接成和目标域数据有相同时序特征的带标签人工信号，以此来建立源域和目标域之间的桥梁。通过标签对齐来对两个域的协方差矩阵进行对齐，使得两个域的数据分布更加接近。在将两个域的数据映射到切空间后，从黎曼流形中提取特征。最后通过特征选择和分类，得出了较高的分类准确率。 本文以 16 名受试者的脑电信号作为数据集进行异构迁移学习实验。对于跨标签的异构迁移学习场景，平均分类准确率为78.28%。同时，MDSLATSM也进行了跨受试者的测试，平均分类准确率为64.01%。实验结果表明，与传统的脑电数据识别算法相比， MDSLATSM 算法在减轻受试者数据收集负担的同时提高了分类准确率和泛化性能，从而推动了BCI技术的发展。
NETL