Resumen

El largo y tedioso tiempo de calibración dificulta el desarrollo de la interfaz cerebro-ordenador (BCI) basada en imágenes motoras (MI). Para abordar este problema, utilizamos un conjunto limitado de etiquetas y un conjunto relativamente grande sin etiquetas del mismo sujeto para el entrenamiento basado en el marco de la máquina de vectores de apoyo transductivo (TSVM). En primer lugar, introducimos un método TSVM mejorado (ITSVM), en el que una característica integral de cada muestra consiste en su característica de patrones espaciales comunes (CSP) y su característica geométrica. Además, utilizamos el procedimiento cóncavo-convexo (CCCP) para resolver el problema de optimización de TSVM bajo una nueva restricción de equilibrio que puede abordar la distribución desconocida del conjunto no etiquetado considerando varias distribuciones posibles. Además, proponemos un método mejorado de TSVM de auto-entrenamiento (IST-TSVM) que puede realizar iterativamente la extracción de características CSP y la clasificación ITSVM utilizando un conjunto etiquetado ampliado. Los amplios resultados experimentales en el conjunto de datos IV-a de la competición BCI III y en el conjunto de datos II-a de la competición BCI IV muestran que nuestros algoritmos superan a los demás algoritmos de la competencia, cuando los tamaños y las distribuciones de los conjuntos etiquetados son variables. En particular, IST-TSVM proporciona precisiones medias del 63,25 y 69,43% con los dos conjuntos de datos mencionados, respectivamente, cuando sólo se utilizan cuatro muestras etiquetadas positivas y dieciséis negativas. Por lo tanto, nuestros algoritmos pueden proporcionar una forma alternativa de reducir el tiempo de calibración.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:conjunto etiquetado limitado, desarrollo del motor, extracción de características csp, muestra etiquetada positiva, varias distribuciones posibles, gran conjunto no etiquetado, concurso bci iii, máquina de vectores de apoyo, tiempo de calibración tedioso, nuevas restricciones de equilibrio
• Keywords:limited labelled set, development of motor, csp features extraction, positive labelled sample, various possible distribution, large unlabelled set, bci competition iii, support vector machine, tedious calibration time, new balancing constraints