基于卷积神经网络的自适应样本加权脑机接口建模

论文摘要

针对脑机接口系统手动提取特征而产生的信息丢失与过拟合问题,建立了一个纯数据驱动的端到端的卷积神经网络模型.同时,为了解决卷积神经网络(convolutional neural network, CNN)需要大量数据而单人脑电数据量小的问题,建立了一套使用多人数据来建立目标用户模型的方法.通过分析其他人数据对目标个体模型的适应程度,清除那些对于目标模型贡献为负的样本.然后,在CNN网络的训练过程中,使用了一种元学习技术,赋予每一个训练数据一个权值.在训练CNN网络时,每一步网络参数更新之后,元学习器会根据训练集中数据样本对于最终模型的影响,自适应的调整每个样本数据的权值.实验结果表明,所提方法得到了比传统方法更好的分类精度,验证了所提方法的有效性.

论文目录

• 0 引言
• 1 方法
•   1.1 数据预处理
•   1.2 卷积神经网络
•   1.3 基于影响函数的数据清洗
•   1.4 对数据加权的双层学习模型
• 2 实验结果
• 3 结论

文章来源

类型: 期刊论文

作者: 邹宜君,赵新刚,徐卫良,韩建达

关键词: 脑机接口,卷积神经网络,样本加权

来源: 信息与控制 2019年06期

年度: 2019

分类: 信息科技,医药卫生科技

专业: 生物医学工程,自动化技术

单位: 中国科学院沈阳自动化研究所机器人学国家重点实验室,中国科学院大学,奥克兰大学,南开大学

基金: 国家自然科学基金资助项目(U1813214,61773369,61573340)

分类号: TP183;R318

DOI: 10.13976/j.cnki.xk.2019.9054

页码: 658-665

总页数: 8

文件大小: 1495K

下载量: 126