CINgydF4y2Ba 计算智能和神经科学gydF4y2Ba 1687 - 5273gydF4y2Ba 1687 - 5265gydF4y2Ba Hindawi出版公司gydF4y2Ba 10.1155 / 2016/2637603gydF4y2Ba 2637603gydF4y2Ba 研究文章gydF4y2Ba 低秩线性动力系统的运动图像脑电图gydF4y2Ba http://orcid.org/0000 - 0001 - 8915 - 2761gydF4y2Ba 张gydF4y2Ba 文昌gydF4y2Ba 1、2gydF4y2Ba 2gydF4y2Ba http://orcid.org/0000 - 0003 - 3546 - 6305gydF4y2Ba 太阳gydF4y2Ba 《gydF4y2Ba 1gydF4y2Ba 棕褐色gydF4y2Ba ChuanqigydF4y2Ba 1gydF4y2Ba 刘gydF4y2Ba ShaobogydF4y2Ba 1gydF4y2Ba 段gydF4y2Ba 冯gydF4y2Ba 1gydF4y2Ba 智能技术与系统国家重点实验室gydF4y2Ba 计算机科学与技术学校gydF4y2Ba 清华大学gydF4y2Ba 符合建筑gydF4y2Ba 北京100084年gydF4y2Ba 中国gydF4y2Ba tsinghua.edu.cngydF4y2Ba 2gydF4y2Ba 医疗器械研究所gydF4y2Ba Wandong路gydF4y2Ba 河东区gydF4y2Ba 天津gydF4y2Ba 中国gydF4y2Ba 2016年gydF4y2Ba 21gydF4y2Ba 12gydF4y2Ba 2016年gydF4y2Ba 2016年gydF4y2Ba 18gydF4y2Ba 09年gydF4y2Ba 2016年gydF4y2Ba 14gydF4y2Ba 11gydF4y2Ba 2016年gydF4y2Ba 16gydF4y2Ba 11gydF4y2Ba 2016年gydF4y2Ba 2016年gydF4y2Ba 版权©2016文昌Zhang et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

公共空间格局(CSP)和其他spatiospectral特征提取方法已成为最有效和成功的方法来解决这个问题的汽车图像脑电图(MI-EEG)从多通道神经活动近年来模式识别。然而,这些方法需要大量的预处理和后处理,如过滤、贬低,spatiospectral功能融合,容易影响分类精度。在本文中,我们利用线性动力系统(像)脑电图信号特征提取和分类。摩门教的模型有很多优势,如同时时空特征矩阵生成的预处理或后处理,和低成本。此外,低秩矩阵分解的方法介绍了消除噪声和静止状态组件,以提高系统的鲁棒性。然后,我们提出一个低秩摩门教的算法特征子空间分解的摩门教的有限Grassmannian和获得更好的性能。广泛的实验是进行公共数据集“BCI三世数据集IVa竞争”和“BCI竞争第四数据库2 a。“结果表明,我们提出三种方法产量更高的精度与现行方法如CSP和CSSP相比。gydF4y2Ba

 中国国家自然科学基金gydF4y2Ba 91420302gydF4y2Ba 91520201gydF4y2Ba 1。介绍gydF4y2Ba

随着简单的大脑的发展节奏抽样技术和强大的低成本电脑设备在过去的二十年里,非侵入式脑机接口(BCI)称为脑电图(EEG)吸引了越来越多的关注比其他BCI如脑磁图描记术(MEG),功能性磁共振成像(fMRI),近红外光谱(NIRS)。在各种EEG信号,某些神经生理学模式可以认出来确定用户的意图,如视觉诱发电位(VEPs) P300诱发电位,缓慢的皮层电位(scp),和感觉运动的节奏。脑电图描记器肌萎缩性脊髓侧索硬化症患者带来了希望,脑干中风和脊髓损伤(gydF4y2Ba 1gydF4y2Ba]。运动图像(MI),这被称为电动机的内心演练行动没有真正的肢体动作执行,代表了一种新的方法来访问运动系统在所有阶段的中风康复恢复。严重的运动障碍患者可以使用EEG-BCI实现通信和控制,甚至恢复他们的运动障碍gydF4y2Ba 2gydF4y2Ba,gydF4y2Ba 3gydF4y2Ba]。因此,越来越多的研究人员正致力于MI-BCI中风病人康复(gydF4y2Ba 4gydF4y2Ba,gydF4y2Ba 5gydF4y2Ba]。gydF4y2Ba

MI-BCI集中在感觉运动gydF4y2Ba μgydF4y2Ba ——或者gydF4y2Ba βgydF4y2Ba 节奏的现象被称为与事件相关同步(人)或事件相关去同步化(ERD)。然而,MI模式识别仍然是一个挑战由于低信噪比、高科目的数据,和较低的处理速度。由于这些原因,越来越多的数字信号处理(DSP)方法和机器学习算法应用于MI-BCI分析。与静态信号,比如图像和语义的EEG信号动态时空特征空间。因此提出了各种各样的特征提取算法,包括功率谱密度(PSD)值(gydF4y2Ba 6gydF4y2Ba,gydF4y2Ba 7gydF4y2Ba),自回归(AR)参数gydF4y2Ba 8gydF4y2Ba,gydF4y2Ba 9gydF4y2Ba),和时频特性gydF4y2Ba 10gydF4y2Ba]。MI-BCI模式识别,主要有三种方法:自回归(AR)组件(gydF4y2Ba 11gydF4y2Ba),小波变换(WT) [gydF4y2Ba 12gydF4y2Ba,gydF4y2Ba 13gydF4y2BaCSP], [gydF4y2Ba 14gydF4y2Ba,gydF4y2Ba 15gydF4y2Ba]。由于提取的有效性和简单的空间特性,CSP成为最受欢迎和成功的解决方案根据赢家MI-BCI分析的方法分析“BCI竞争第三集IVa”(gydF4y2Ba 16gydF4y2Ba,gydF4y2Ba 17gydF4y2Ba)和“BCI竞争第四数据库2”(gydF4y2Ba 18gydF4y2Ba,gydF4y2Ba 19gydF4y2Ba]。因此,许多研究人员致力于提高原始CSP方法更好的性能,如常见的spatiospectral模式(CSSP) [gydF4y2Ba 20.gydF4y2Ba),常见的稀疏谱空间模式(CSSSP) [gydF4y2Ba 21gydF4y2Ba),部分波段常见的空间模式(SBCSP) [gydF4y2Ba 22gydF4y2Ba),滤波器组常见的空间模式(FBCSP) [gydF4y2Ba 23gydF4y2Ba),小波常见的空间模式(WCSP) [gydF4y2Ba 24gydF4y2Ba),分离常见spatiospectral模式(SCSSP) [gydF4y2Ba 25gydF4y2Ba]。大多数这些改善CSP方法融合光谱和空间特征spatiospectral特征空间通过比较实验,最后获得成功。gydF4y2Ba

尽管MI-BCI提取特征,其有效性CSP需要大量的预处理和后处理,如过滤、贬低,spatiospectral功能融合,容易影响分类精度。在本文中,我们利用线性动力系统(像)MI-BCI处理EEG信号。尽管像成功领域的控制,我们所知,这个模型几乎没有尝试在脑电图分析的特征提取。与CSP方法相比,像有以下优势:首先,摩门教的可以同时生成spatiospectral dual-feature矩阵;第二,没有必要进行预处理或后处理信号和原始数据可以直接送入模型;第三,它很容易使用和低成本;最后,提取的特征从摩门教的更有效的分类。gydF4y2Ba

此外,我们低秩矩阵分解方法的应用;gydF4y2Ba 26gydF4y2Ba- - - - - -gydF4y2Ba 28gydF4y2Ba)学习能力的表征矩阵即使在出现损坏数据。数据的噪声可以摆脱,因此提高鲁棒性。然而,有两种方法对脑电图低秩分解。一个旨在EEG原始数据;像其他目标特征提取,提出的我们,被称为煤摩门教(LR-LDSs)。gydF4y2Ba

本文主要有以下贡献。(gydF4y2Ba 1gydF4y2Ba 我们利用摩门教MI-EEG特征提取来解决MI模式识别问题。(gydF4y2Ba 2gydF4y2Ba )低秩矩阵分解方法应用于提高原始数据的鲁棒性分析。(gydF4y2Ba 3gydF4y2Ba )我们建议LR-LDSs有限Grassmannian功能空间。(gydF4y2Ba 4gydF4y2Ba )大量的对比实验证明这些方法的有效性。gydF4y2Ba

本文的其余部分组织如下。部分gydF4y2Ba 2gydF4y2Ba提供了摩门教的模型实现EEG信号的特征提取。部分gydF4y2Ba 3gydF4y2Ba低秩矩阵分解方法的礼物脑电图原始数据分析。部分gydF4y2Ba 4gydF4y2Ba介绍了LR-LDSs方法。然后,适当的分类算法在部分解释gydF4y2Ba 5gydF4y2Ba。部分gydF4y2Ba 6gydF4y2Ba比较了三种提议方法(摩门教,LR + CSP和LR-LDSs)与其他先进的算法在不同的数据库中。最后,提出了摘要和结论部分gydF4y2Ba 7gydF4y2Ba。gydF4y2Ba

 2。摩门教的建模gydF4y2Ba

像,也称为线性高斯状态空间模型,已成功地用于建模和控制动力系统。在最近的几年里,越来越多的问题扩展到计算机视觉(gydF4y2Ba 29日gydF4y2Ba,gydF4y2Ba 30.gydF4y2Ba),语音识别(gydF4y2Ba 31日gydF4y2Ba),和触觉感知(gydF4y2Ba 32gydF4y2Ba摩门教的模型已经找到了解决办法。脑电图信号序列的大脑电子采样典型动态纹理。我们现在像脑电图动态纹理的特性建模和应用机器学习(ML)算法捕捉动态纹理的本质特征提取和分类。gydF4y2Ba

让gydF4y2Ba YgydF4y2Ba (gydF4y2Ba tgydF4y2Ba )gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba τgydF4y2Ba ,gydF4y2Ba YgydF4y2Ba tgydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba 米gydF4y2Ba 是一个序列gydF4y2Ba τgydF4y2Ba 脑电图信号样本在每个瞬间的时间gydF4y2Ba tgydF4y2Ba 。如果有一组gydF4y2Ba ngydF4y2Ba 空间过滤器gydF4y2Ba φgydF4y2Ba αgydF4y2Ba :gydF4y2Ba RgydF4y2Ba →gydF4y2Ba RgydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba αgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba ,我们有gydF4y2Ba xgydF4y2Ba (gydF4y2Ba tgydF4y2Ba )gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba kgydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba xgydF4y2Ba (gydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 我gydF4y2Ba )gydF4y2Ba +gydF4y2Ba BgydF4y2Ba vgydF4y2Ba (gydF4y2Ba tgydF4y2Ba )gydF4y2Ba 与gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba ngydF4y2Ba ×gydF4y2Ba ngydF4y2Ba ,gydF4y2Ba BgydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba ngydF4y2Ba ×gydF4y2Ba ngydF4y2Ba vgydF4y2Ba 、独立且同分布实现项目gydF4y2Ba vgydF4y2Ba (gydF4y2Ba tgydF4y2Ba )gydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba ngydF4y2Ba vgydF4y2Ba 假设观察变量的序列gydF4y2Ba YgydF4y2Ba (gydF4y2Ba tgydF4y2Ba )gydF4y2Ba 函数可以表示大约的尺寸隐藏的状态gydF4y2Ba xgydF4y2Ba (gydF4y2Ba tgydF4y2Ba )gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba (gydF4y2Ba tgydF4y2Ba )gydF4y2Ba =gydF4y2Ba φgydF4y2Ba (gydF4y2Ba xgydF4y2Ba (gydF4y2Ba tgydF4y2Ba )gydF4y2Ba )gydF4y2Ba +gydF4y2Ba ωgydF4y2Ba (gydF4y2Ba tgydF4y2Ba )gydF4y2Ba ,在那里gydF4y2Ba ωgydF4y2Ba (gydF4y2Ba tgydF4y2Ba )gydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba 米gydF4y2Ba 是一个独立的和恒等分布的序列是从一个已知的分布导致积极的测量序列。我们重新定义的隐藏状态gydF4y2Ba xgydF4y2Ba (gydF4y2Ba tgydF4y2Ba )gydF4y2Ba 是gydF4y2Ba xgydF4y2Ba tgydF4y2Ba TgydF4y2Ba xgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba TgydF4y2Ba ⋯gydF4y2Ba xgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba kgydF4y2Ba TgydF4y2Ba TgydF4y2Ba 并考虑线性动态系统作为一个自回归移动平均过程没有坚定的输入分布:gydF4y2Ba (1)gydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba BgydF4y2Ba vgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba tgydF4y2Ba =gydF4y2Ba φgydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba ωgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 0gydF4y2Ba =gydF4y2Ba xgydF4y2Ba 0gydF4y2Ba 与gydF4y2Ba vgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba φgydF4y2Ba (gydF4y2Ba xgydF4y2Ba (gydF4y2Ba tgydF4y2Ba )gydF4y2Ba )gydF4y2Ba 然而,分布未知。gydF4y2Ba

为了解决上述问题,我们可以把它作为一个白色和零均值高斯噪声线性动力系统和提出一个简化的封闭形式的解决方案:gydF4y2Ba (2)gydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba BgydF4y2Ba vgydF4y2Ba tgydF4y2Ba vgydF4y2Ba tgydF4y2Ba ~gydF4y2Ba NgydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba tgydF4y2Ba =gydF4y2Ba CgydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba ωgydF4y2Ba tgydF4y2Ba +gydF4y2Ba ygydF4y2Ba - - - - - -gydF4y2Ba ωgydF4y2Ba tgydF4y2Ba ~gydF4y2Ba NgydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba RgydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 0gydF4y2Ba =gydF4y2Ba xgydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba 一个gydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba ngydF4y2Ba ×gydF4y2Ba ngydF4y2Ba 是过渡矩阵描述动态属性,gydF4y2Ba CgydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba 米gydF4y2Ba ×gydF4y2Ba ngydF4y2Ba 是测量矩阵描述空间的外表,gydF4y2Ba ygydF4y2Ba - - - - - -gydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba 米gydF4y2Ba 的意思是gydF4y2Ba ygydF4y2Ba tgydF4y2Ba ,gydF4y2Ba vgydF4y2Ba tgydF4y2Ba 和gydF4y2Ba ωgydF4y2Ba tgydF4y2Ba 是噪音的组件。我们应该估计模型参数gydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba CgydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba ,gydF4y2Ba RgydF4y2Ba 从测量gydF4y2Ba ygydF4y2Ba tgydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba (gydF4y2Ba τgydF4y2Ba )gydF4y2Ba 并将它们转换为最大似然的解决方案:gydF4y2Ba (3)gydF4y2Ba 一个gydF4y2Ba ^gydF4y2Ba τgydF4y2Ba ,gydF4y2Ba CgydF4y2Ba ^gydF4y2Ba τgydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba ^gydF4y2Ba τgydF4y2Ba ,gydF4y2Ba RgydF4y2Ba ^gydF4y2Ba τgydF4y2Ba =gydF4y2Ba argmaxgydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba CgydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba ,gydF4y2Ba RgydF4y2Ba ⁡gydF4y2Ba pgydF4y2Ba ygydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba τgydF4y2Ba ,gydF4y2Ba 然而,这个问题的最优解计算复杂度。gydF4y2Ba

我们应用矩阵分解简化计算的封闭解。奇异值分解)解决方案的最佳估计gydF4y2Ba CgydF4y2Ba 弗罗贝尼乌斯函数:gydF4y2Ba (4)gydF4y2Ba CgydF4y2Ba ^gydF4y2Ba τgydF4y2Ba ,gydF4y2Ba XgydF4y2Ba ^gydF4y2Ba τgydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba rgydF4y2Ba ggydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba CgydF4y2Ba ,gydF4y2Ba XgydF4y2Ba WgydF4y2Ba τgydF4y2Ba FgydF4y2Ba 受gydF4y2Ba YgydF4y2Ba τgydF4y2Ba =gydF4y2Ba CgydF4y2Ba XgydF4y2Ba τgydF4y2Ba +gydF4y2Ba WgydF4y2Ba τgydF4y2Ba ;gydF4y2Ba CgydF4y2Ba TgydF4y2Ba CgydF4y2Ba =gydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba

让gydF4y2Ba YgydF4y2Ba =gydF4y2Ba UgydF4y2Ba ΣgydF4y2Ba VgydF4y2Ba TgydF4y2Ba ,得到的参数估计gydF4y2Ba CgydF4y2Ba ^gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba ^gydF4y2Ba :gydF4y2Ba (5)gydF4y2Ba CgydF4y2Ba ^gydF4y2Ba =gydF4y2Ba UgydF4y2Ba ,gydF4y2Ba XgydF4y2Ba ^gydF4y2Ba =gydF4y2Ba ΣgydF4y2Ba VgydF4y2Ba TgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba XgydF4y2Ba ^gydF4y2Ba =gydF4y2Ba (gydF4y2Ba XgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba τgydF4y2Ba ]gydF4y2Ba 。gydF4y2Ba 一个gydF4y2Ba ^gydF4y2Ba 可以由弗罗贝尼乌斯:gydF4y2Ba (6)gydF4y2Ba 一个gydF4y2Ba ^gydF4y2Ba τgydF4y2Ba =gydF4y2Ba argmingydF4y2Ba 一个gydF4y2Ba ⁡gydF4y2Ba XgydF4y2Ba 2gydF4y2Ba τgydF4y2Ba - - - - - -gydF4y2Ba 一个gydF4y2Ba XgydF4y2Ba 1gydF4y2Ba τgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba FgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba XgydF4y2Ba 2gydF4y2Ba τgydF4y2Ba =gydF4y2Ba (gydF4y2Ba XgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba τgydF4y2Ba ]gydF4y2Ba 。解决方案是使用状态估计在封闭gydF4y2Ba (7)gydF4y2Ba 一个gydF4y2Ba ^gydF4y2Ba τgydF4y2Ba =gydF4y2Ba XgydF4y2Ba :gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba XgydF4y2Ba :gydF4y2Ba ,gydF4y2Ba 3gydF4y2Ba ⋯gydF4y2Ba XgydF4y2Ba :gydF4y2Ba ,gydF4y2Ba τgydF4y2Ba ∗gydF4y2Ba XgydF4y2Ba :gydF4y2Ba ,gydF4y2Ba 1gydF4y2Ba XgydF4y2Ba :gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba ⋯gydF4y2Ba XgydF4y2Ba :gydF4y2Ba ,gydF4y2Ba τgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba __gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba __gydF4y2Ba 表示矩阵伪逆。gydF4y2Ba

我们可以获得结果gydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba CgydF4y2Ba ),两个时空特性矩阵。摩门教的MATLAB程序算法可以在补充材料gydF4y2Ba 1gydF4y2Ba 可以在网上gydF4y2Ba http://dx.doi.org/10.1155/2016/2637603gydF4y2Ba。gydF4y2Ba

 3所示。低秩矩阵分解gydF4y2Ba

脑电图信号质量差,因为他们通常由头皮的电极记录以非侵入性的方式穿过头皮,头骨,和许多其他层。因此,此外受背景噪声严重影响大脑内部或外部生成的头皮。低秩矩阵分解(LR)通常可以捕捉全球信息重建一些奇异值和对应的奇异向量。该方法广泛应用于图像去噪和人脸识别领域(FR)。具体地说,低秩矩阵(LR)复苏试图分解一个数据矩阵gydF4y2Ba XgydF4y2Ba 成gydF4y2Ba 一个gydF4y2Ba +gydF4y2Ba EgydF4y2Ba ,在那里gydF4y2Ba 一个gydF4y2Ba 低秩矩阵和吗gydF4y2Ba EgydF4y2Ba 是稀疏的错误有关。萤石et al。gydF4y2Ba 33gydF4y2Ba]提出放松原问题转化为容易处理的配方如下:gydF4y2Ba (8)gydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba EgydF4y2Ba 一个gydF4y2Ba ∗gydF4y2Ba +gydF4y2Ba αgydF4y2Ba EgydF4y2Ba 1gydF4y2Ba 酸处理gydF4y2Ba XgydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba +gydF4y2Ba EgydF4y2Ba ,gydF4y2Ba 核的规范gydF4y2Ba 一个gydF4y2Ba ∗gydF4y2Ba (奇异值之和)接近的gydF4y2Ba 一个gydF4y2Ba 和gydF4y2Ba lgydF4y2Ba 1gydF4y2Ba 规范gydF4y2Ba EgydF4y2Ba 1gydF4y2Ba 是稀疏约束。gydF4y2Ba

然后,张先生和李gydF4y2Ba 34gydF4y2Ba每个图像分解成通用组件,组件,和稀疏的残余。Siyahjani et al。gydF4y2Ba 35gydF4y2Ba]介绍了不变的组件的稀疏表示和低秩矩阵分解方法,并成功地应用于解决计算机视觉问题。他们将正交约束添加到组件是线性独立假设不变和变体。因此,我们分解EEG信号的组合三个组件:静息状态的组件,马达图像组件由低秩矩阵,和稀疏的残余。然而,在实践中,它需要一些数字信号处理(DSP),也就是说,之前小波变换或离散傅里叶变换分解。尤其是原始时域信号没有任何预处理直接低秩矩阵分解的不适合。训练数据集gydF4y2Ba XgydF4y2Ba 可以分解gydF4y2Ba XgydF4y2Ba ≔gydF4y2Ba 一个gydF4y2Ba +gydF4y2Ba BgydF4y2Ba +gydF4y2Ba EgydF4y2Ba ,在那里gydF4y2Ba 一个gydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba 米gydF4y2Ba ×gydF4y2Ba ngydF4y2Ba 是一个低秩矩阵和收集与事件相关的EEG信号组件,gydF4y2Ba BgydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba 米gydF4y2Ba ×gydF4y2Ba ngydF4y2Ba 近似不变,表示静止状态信号采样的组件对象没有任何运动图像gydF4y2Ba EgydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba 米gydF4y2Ba ×gydF4y2Ba ngydF4y2Ba 的矩阵是稀疏的噪音。因此,训练数据集可以分解为以下公式:gydF4y2Ba (9)gydF4y2Ba XgydF4y2Ba ≔gydF4y2Ba 一个gydF4y2Ba +gydF4y2Ba BgydF4y2Ba +gydF4y2Ba EgydF4y2Ba 。gydF4y2Ba

在理想条件下,每个主题的大脑EEG信号的采样通道在静息状态是相似的。换句话说,每个不同的总和gydF4y2Ba 一个gydF4y2Ba 生是最低的。gydF4y2Ba BgydF4y2Ba 应该添加常见的约束如下公式:gydF4y2Ba (10)gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba ≠gydF4y2Ba jgydF4y2Ba BgydF4y2Ba 我gydF4y2Ba - - - - - -gydF4y2Ba BgydF4y2Ba jgydF4y2Ba FgydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba

我们建议优化问题公式化gydF4y2Ba (11)gydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba BgydF4y2Ba ,gydF4y2Ba EgydF4y2Ba 一个gydF4y2Ba ∗gydF4y2Ba +gydF4y2Ba αgydF4y2Ba EgydF4y2Ba 1gydF4y2Ba +gydF4y2Ba βgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba ≠gydF4y2Ba jgydF4y2Ba BgydF4y2Ba 我gydF4y2Ba - - - - - -gydF4y2Ba BgydF4y2Ba jgydF4y2Ba FgydF4y2Ba 2gydF4y2Ba 酸处理gydF4y2Ba XgydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba +gydF4y2Ba BgydF4y2Ba +gydF4y2Ba EgydF4y2Ba 。gydF4y2Ba

然后,增广拉格朗日乘子(ALM) (gydF4y2Ba 36gydF4y2Ba)方法用于解决上述问题。增广拉格朗日函数gydF4y2Ba lgydF4y2Ba (gydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba BgydF4y2Ba ,gydF4y2Ba EgydF4y2Ba ,gydF4y2Ba λgydF4y2Ba )gydF4y2Ba 是由gydF4y2Ba (12)gydF4y2Ba lgydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba BgydF4y2Ba ,gydF4y2Ba EgydF4y2Ba ,gydF4y2Ba λgydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba ∗gydF4y2Ba +gydF4y2Ba αgydF4y2Ba EgydF4y2Ba 1gydF4y2Ba +gydF4y2Ba βgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba ≠gydF4y2Ba jgydF4y2Ba BgydF4y2Ba 我gydF4y2Ba - - - - - -gydF4y2Ba BgydF4y2Ba jgydF4y2Ba FgydF4y2Ba 2gydF4y2Ba +gydF4y2Ba λgydF4y2Ba ,gydF4y2Ba XgydF4y2Ba - - - - - -gydF4y2Ba 一个gydF4y2Ba - - - - - -gydF4y2Ba BgydF4y2Ba - - - - - -gydF4y2Ba EgydF4y2Ba +gydF4y2Ba μgydF4y2Ba 2gydF4y2Ba XgydF4y2Ba - - - - - -gydF4y2Ba 一个gydF4y2Ba - - - - - -gydF4y2Ba BgydF4y2Ba - - - - - -gydF4y2Ba EgydF4y2Ba FgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba μgydF4y2Ba 是一个积极的标量和gydF4y2Ba λgydF4y2Ba 是一个拉格朗日乘子矩阵。我们雇佣一个不精确的ALM (IALM)方法中描述的算法gydF4y2Ba 1gydF4y2Ba为了解决这个问题,在什么地方gydF4y2Ba JgydF4y2Ba XgydF4y2Ba =gydF4y2Ba 马克斯gydF4y2Ba ⁡gydF4y2Ba lansvdgydF4y2Ba ⁡gydF4y2Ba XgydF4y2Ba ,gydF4y2Ba αgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba XgydF4y2Ba FgydF4y2Ba 在初始化gydF4y2Ba λgydF4y2Ba 0gydF4y2Ba =gydF4y2Ba XgydF4y2Ba /gydF4y2Ba JgydF4y2Ba (gydF4y2Ba XgydF4y2Ba )gydF4y2Ba 和lansvd (gydF4y2Ba ·gydF4y2Ba )计算最大的奇异值。gydF4y2Ba

<大胆>算法1:< /大胆>低秩分解通过不精确的ALM方法。gydF4y2Ba

输入:观测矩阵gydF4y2Ba XgydF4y2Ba ,gydF4y2Ba λgydF4y2Ba 、损失重量gydF4y2Ba αgydF4y2Ba ,gydF4y2Ba βgydF4y2Ba

(gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba λgydF4y2Ba 0gydF4y2Ba =gydF4y2Ba XgydF4y2Ba /gydF4y2Ba JgydF4y2Ba (gydF4y2Ba XgydF4y2Ba )gydF4y2Ba ;gydF4y2Ba μgydF4y2Ba 0gydF4y2Ba >gydF4y2Ba 0gydF4y2Ba ;gydF4y2Ba ρgydF4y2Ba >gydF4y2Ba 1gydF4y2Ba ;gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 0gydF4y2Ba 。gydF4y2Ba

(gydF4y2Ba 2gydF4y2Ba ),而不融合gydF4y2Ba

(gydF4y2Ba 3gydF4y2Ba )/ /线(gydF4y2Ba 4gydF4y2Ba )- (gydF4y2Ba 12gydF4y2Ba )解决gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba ,gydF4y2Ba BgydF4y2Ba kgydF4y2Ba ,gydF4y2Ba EgydF4y2Ba kgydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba rgydF4y2Ba ggydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba BgydF4y2Ba ,gydF4y2Ba EgydF4y2Ba lgydF4y2Ba (gydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba BgydF4y2Ba ,gydF4y2Ba EgydF4y2Ba ,gydF4y2Ba λgydF4y2Ba kgydF4y2Ba ,gydF4y2Ba μgydF4y2Ba kgydF4y2Ba )gydF4y2Ba

(gydF4y2Ba 4gydF4y2Ba )gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 0gydF4y2Ba ;gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba 0gydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba ;gydF4y2Ba BgydF4y2Ba kgydF4y2Ba 0gydF4y2Ba =gydF4y2Ba BgydF4y2Ba kgydF4y2Ba ;gydF4y2Ba EgydF4y2Ba kgydF4y2Ba 0gydF4y2Ba =gydF4y2Ba EgydF4y2Ba kgydF4y2Ba

(gydF4y2Ba 5gydF4y2Ba ),而不融合gydF4y2Ba

(gydF4y2Ba 6gydF4y2Ba )/ /线(gydF4y2Ba 7gydF4y2Ba )- (gydF4y2Ba 8gydF4y2Ba )解决gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba rgydF4y2Ba ggydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba 一个gydF4y2Ba lgydF4y2Ba (gydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba BgydF4y2Ba kgydF4y2Ba ,gydF4y2Ba EgydF4y2Ba kgydF4y2Ba ,gydF4y2Ba λgydF4y2Ba kgydF4y2Ba ,gydF4y2Ba μgydF4y2Ba kgydF4y2Ba )gydF4y2Ba

(gydF4y2Ba 7gydF4y2Ba )(gydF4y2Ba UgydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba VgydF4y2Ba )=圣言(gydF4y2Ba XgydF4y2Ba - - - - - -gydF4y2Ba BgydF4y2Ba kgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba - - - - - -gydF4y2Ba EgydF4y2Ba kgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba λgydF4y2Ba kgydF4y2Ba /gydF4y2Ba μgydF4y2Ba kgydF4y2Ba )gydF4y2Ba

(gydF4y2Ba 8gydF4y2Ba )gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba jgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba UgydF4y2Ba 年代gydF4y2Ba μgydF4y2Ba kgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba 年代gydF4y2Ba VgydF4y2Ba TgydF4y2Ba

(gydF4y2Ba 9gydF4y2Ba )/ /线(gydF4y2Ba 10gydF4y2Ba )解决gydF4y2Ba BgydF4y2Ba kgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba rgydF4y2Ba ggydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba BgydF4y2Ba lgydF4y2Ba (gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba BgydF4y2Ba ,gydF4y2Ba EgydF4y2Ba kgydF4y2Ba ,gydF4y2Ba λgydF4y2Ba kgydF4y2Ba ,gydF4y2Ba μgydF4y2Ba kgydF4y2Ba )gydF4y2Ba

(gydF4y2Ba 10gydF4y2Ba )gydF4y2Ba EgydF4y2Ba kgydF4y2Ba jgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 年代gydF4y2Ba αgydF4y2Ba μgydF4y2Ba kgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba (gydF4y2Ba XgydF4y2Ba - - - - - -gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba jgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba - - - - - -gydF4y2Ba BgydF4y2Ba kgydF4y2Ba jgydF4y2Ba +gydF4y2Ba λgydF4y2Ba kgydF4y2Ba /gydF4y2Ba μgydF4y2Ba kgydF4y2Ba ]gydF4y2Ba

(gydF4y2Ba 11gydF4y2Ba )更新gydF4y2Ba BgydF4y2Ba kgydF4y2Ba jgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 通过求解gydF4y2Ba EgydF4y2Ba kgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba rgydF4y2Ba ggydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba EgydF4y2Ba lgydF4y2Ba (gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba BgydF4y2Ba kgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba EgydF4y2Ba ,gydF4y2Ba λgydF4y2Ba kgydF4y2Ba ,gydF4y2Ba μgydF4y2Ba kgydF4y2Ba )gydF4y2Ba

(gydF4y2Ba 12gydF4y2Ba )gydF4y2Ba jgydF4y2Ba ←gydF4y2Ba jgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba

(gydF4y2Ba 13gydF4y2Ba )结束而gydF4y2Ba

(gydF4y2Ba 14gydF4y2Ba )gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba jgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba BgydF4y2Ba kgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba BgydF4y2Ba kgydF4y2Ba jgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba EgydF4y2Ba kgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba EgydF4y2Ba kgydF4y2Ba jgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba

(gydF4y2Ba 15gydF4y2Ba )gydF4y2Ba μgydF4y2Ba kgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba ρgydF4y2Ba μgydF4y2Ba kgydF4y2Ba ,gydF4y2Ba λgydF4y2Ba kgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba λgydF4y2Ba kgydF4y2Ba +gydF4y2Ba μgydF4y2Ba kgydF4y2Ba (gydF4y2Ba XgydF4y2Ba - - - - - -gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba - - - - - -gydF4y2Ba BgydF4y2Ba kgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba - - - - - -gydF4y2Ba EgydF4y2Ba kgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba

(gydF4y2Ba 16gydF4y2Ba )gydF4y2Ba kgydF4y2Ba ←gydF4y2Ba kgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba

(gydF4y2Ba 17gydF4y2Ba )结束而gydF4y2Ba

输出:gydF4y2Ba 一个gydF4y2Ba kgydF4y2Ba ,gydF4y2Ba BgydF4y2Ba kgydF4y2Ba ,gydF4y2Ba EgydF4y2Ba kgydF4y2Ba )。gydF4y2Ba

当低秩矩阵gydF4y2Ba 一个gydF4y2Ba 表示与事件相关的脑电图信号生成组件,我们可以利用一些特征提取方法如CSP和CSSP MI-BCI进行分类。低秩矩阵分解方法的换句话说,在这个部分可以被认为是在特征提取和分类预处理部分。gydF4y2Ba

 4所示。在有限Grassmannian LR-LDSsgydF4y2Ba

在一个初始状态开始gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba 预期的观察序列由定常模型生成gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba (gydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba CgydF4y2Ba )gydF4y2Ba 获得的是gydF4y2Ba EgydF4y2Ba ygydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba =gydF4y2Ba CgydF4y2Ba TgydF4y2Ba ,gydF4y2Ba CgydF4y2Ba 一个gydF4y2Ba TgydF4y2Ba ,gydF4y2Ba CgydF4y2Ba 一个gydF4y2Ba 2gydF4y2Ba TgydF4y2Ba ,gydF4y2Ba …gydF4y2Ba TgydF4y2Ba xgydF4y2Ba 1gydF4y2Ba 位于列空间扩展的可观测性矩阵给出的gydF4y2Ba OgydF4y2Ba ∞gydF4y2Ba TgydF4y2Ba =gydF4y2Ba CgydF4y2Ba TgydF4y2Ba ,gydF4y2Ba CgydF4y2Ba 一个gydF4y2Ba TgydF4y2Ba ,gydF4y2Ba CgydF4y2Ba 一个gydF4y2Ba 2gydF4y2Ba TgydF4y2Ba ,gydF4y2Ba …gydF4y2Ba TgydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba ∞gydF4y2Ba ×gydF4y2Ba ngydF4y2Ba 。像可以应用子空间扩展的可观测性gydF4y2Ba OgydF4y2Ba 描述符,但很难计算。Turaga et al。gydF4y2Ba 37gydF4y2Ba,gydF4y2Ba 38gydF4y2Ba)近似扩展的可观测性的gydF4y2Ba lgydF4y2Ba 订单可观测性矩阵;也就是说,gydF4y2Ba OgydF4y2Ba (gydF4y2Ba ngydF4y2Ba ,gydF4y2Ba lgydF4y2Ba )gydF4y2Ba =gydF4y2Ba CgydF4y2Ba TgydF4y2Ba ,gydF4y2Ba CgydF4y2Ba 一个gydF4y2Ba TgydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba CgydF4y2Ba 一个gydF4y2Ba lgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba TgydF4y2Ba TgydF4y2Ba 。通过这种方式,可以交替确认为一个一个摩门教的模型gydF4y2Ba ngydF4y2Ba 维子空间的gydF4y2Ba RgydF4y2Ba lgydF4y2Ba 米gydF4y2Ba 。gydF4y2Ba

给定一个脑电图的数据库,我们可以估计摩门教的模型和计算跨子空间的有限的可观测性矩阵黎曼流形上的一点。然后,基于低秩和稀疏矩阵分解,可观测性矩阵gydF4y2Ba OgydF4y2Ba 可以分解为gydF4y2Ba DgydF4y2Ba +gydF4y2Ba EgydF4y2Ba 如以下公式:gydF4y2Ba (13)gydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba DgydF4y2Ba ,gydF4y2Ba EgydF4y2Ba DgydF4y2Ba ∗gydF4y2Ba +gydF4y2Ba αgydF4y2Ba EgydF4y2Ba 1gydF4y2Ba 酸处理gydF4y2Ba OgydF4y2Ba =gydF4y2Ba DgydF4y2Ba +gydF4y2Ba EgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba DgydF4y2Ba 低秩矩阵和吗gydF4y2Ba EgydF4y2Ba 是稀疏的错误有关。gydF4y2Ba

不精确的ALM方法也可以用于解决优化问题的算法gydF4y2Ba 1gydF4y2Ba。输出gydF4y2Ba DgydF4y2Ba 代表低秩摩门教描述符,可以使用脑电图分类的小径。gydF4y2Ba

 5。分类算法gydF4y2Ba

我们上面提取特征的摩门教的矩阵模型,得到两个特征gydF4y2Ba 一个gydF4y2Ba 和gydF4y2Ba CgydF4y2Ba 。不幸的是,gydF4y2Ba 一个gydF4y2Ba 和gydF4y2Ba CgydF4y2Ba 有不同的模态属性和维度。所以他们不能直接由一个特征矢量表示。黎曼几何度量空间的摩门教很难确定,需要满足一些约束。常见的分类器如最近的邻居(NNs),线性判别分析(LDA)和支持向量机(SVM)不能分类特征矩阵形式。特征矩阵必须映射到向量空间。我们用马丁距离(gydF4y2Ba 39gydF4y2Ba,gydF4y2Ba 40gydF4y2Ba),这是基于扩展的主要两个子空间之间的角度可观测性矩阵,为内核的距离不同的摩门教的特征矩阵。它可以被定义为gydF4y2Ba (14)gydF4y2Ba DgydF4y2Ba 2gydF4y2Ba ΘgydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba ΘgydF4y2Ba bgydF4y2Ba =gydF4y2Ba - - - - - -gydF4y2Ba 2gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba 日志gydF4y2Ba ⁡gydF4y2Ba λgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba ΘgydF4y2Ba 一个gydF4y2Ba =gydF4y2Ba CgydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba 一个gydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba ΘgydF4y2Ba bgydF4y2Ba =gydF4y2Ba CgydF4y2Ba bgydF4y2Ba ,gydF4y2Ba 一个gydF4y2Ba bgydF4y2Ba 。gydF4y2Ba λgydF4y2Ba 我gydF4y2Ba 是特征值解决以下方程:gydF4y2Ba (15)gydF4y2Ba 0gydF4y2Ba OgydF4y2Ba 一个gydF4y2Ba bgydF4y2Ba OgydF4y2Ba 一个gydF4y2Ba bgydF4y2Ba TgydF4y2Ba 0gydF4y2Ba xgydF4y2Ba ygydF4y2Ba =gydF4y2Ba λgydF4y2Ba OgydF4y2Ba 一个gydF4y2Ba 一个gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba OgydF4y2Ba bgydF4y2Ba bgydF4y2Ba xgydF4y2Ba ygydF4y2Ba 酸处理gydF4y2Ba xgydF4y2Ba TgydF4y2Ba OgydF4y2Ba 一个gydF4y2Ba 一个gydF4y2Ba xgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba TgydF4y2Ba OgydF4y2Ba bgydF4y2Ba bgydF4y2Ba ygydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 扩展的可观测性矩阵在哪里gydF4y2Ba OgydF4y2Ba 一个gydF4y2Ba =gydF4y2Ba CgydF4y2Ba 一个gydF4y2Ba TgydF4y2Ba ,gydF4y2Ba 一个gydF4y2Ba 一个gydF4y2Ba TgydF4y2Ba CgydF4y2Ba 一个gydF4y2Ba TgydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 一个gydF4y2Ba 一个gydF4y2Ba TgydF4y2Ba ngydF4y2Ba CgydF4y2Ba 一个gydF4y2Ba TgydF4y2Ba ,gydF4y2Ba OgydF4y2Ba bgydF4y2Ba =gydF4y2Ba CgydF4y2Ba bgydF4y2Ba TgydF4y2Ba ,gydF4y2Ba 一个gydF4y2Ba bgydF4y2Ba TgydF4y2Ba CgydF4y2Ba bgydF4y2Ba TgydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 一个gydF4y2Ba bgydF4y2Ba TgydF4y2Ba ngydF4y2Ba CgydF4y2Ba bgydF4y2Ba TgydF4y2Ba ,gydF4y2Ba OgydF4y2Ba 一个gydF4y2Ba bgydF4y2Ba =gydF4y2Ba OgydF4y2Ba 一个gydF4y2Ba TgydF4y2Ba OgydF4y2Ba bgydF4y2Ba 。gydF4y2Ba 算法gydF4y2Ba 2gydF4y2Ba 在补充材料提出了马丁的距离函数通过MATLAB程序。gydF4y2Ba

通过比较我们可以分类脑电图信号马丁训练数据和测试数据之间的距离。最近的两个样品意味着他们可能是同一个类的。因此可以计算预测标签和预测精度。算法gydF4y2Ba 3gydF4y2Ba 在补充材料资讯的分类方法。gydF4y2Ba

考虑LR-LDSs方法生成gydF4y2Ba 一个gydF4y2Ba 在有限Grassmannian,与两个特征矩阵(gydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba CgydF4y2Ba )由摩门教,欧几里得距离和Mahalanobis距离可以描述两个功能空间之间的距离LR-LDS后脑电图的小径。他们是简单、高效和常见的测量两点之间的距离。为了提高分类的精度,我们也可以使用度量学习方法使用标签信息来学习一种新的度量或社区等伪度量组件分析和最近邻。gydF4y2Ba

 6。实验评价gydF4y2Ba

从上面的部分,我们提出三种脑电波模式识别的方法:摩门教,LR + CSP, LR-LDSs。两种运动图像数据集脑电图数据集包括BCI竞争三世IVa和BCI竞争第四2数据库是用来评估我们的三种方法相对于其他先进的算法CSP和CSSP等。所有实验都进行了MATLAB在英特尔酷睿i7, 2.90 - ghz CPU与8 GB RAM。gydF4y2Ba

6.1。IVa BCI竞争第三数据集gydF4y2Ba

数据集IVa记录从五个健康受试者,贴上“aa”,“,”“av,”“哦,”和“是的,”视觉线索显示3.5秒执行正确的手和脚运动图像。EEG信号有118个频道和标记,表明280年的时间点为每个主题线索,0.05和200赫兹之间的带通滤波,downsampled 100 Hz。gydF4y2Ba

在特征提取之前进行比较实验,原始数据需要一些预处理。首先,我们提取一段时间从0.5到3 s和采用FastICA去除工件因眼睛和肌肉运动。其次,我们选择了21个通道的运动皮层(CP6 CP4, CP2, C6, C4, C2, FC6, FC4, FC2, CPZ, CZ, FCZ, CP1, CP3, CP5, C1, C3, C5, FC1,一个FC3,文件和FC5),有关运动图像。gydF4y2Ba

为了改善CSP的性能和CSSP,我们应用巴特沃斯滤波器脑电图信号滤波在特定频段8至30 Hz,这既有α节律8—13赫兹()和β节律(14-30 Hz)与运动图像。然后,我们计划MATLAB代码空间滤波器参数和特征向量的方差。最后,LDA分类器是用来发现分离超平面的特征向量。gydF4y2Ba

在摩门教的模型中,一个隐藏的参数的值描述维黎曼特征空间最终精度密切相关。我们选择精度最高的性能主题“al”和最低的精度性能主题“av”显示隐藏的参数之间的关系和分类精度。实验的结果呈现在图gydF4y2Ba 1gydF4y2Ba,这表明精度往往会增加当隐藏的参数的值增加大约最高精度发生附近隐藏的参数值16。gydF4y2Ba

摩门教的隐藏的参数和精度之间的关系。我们选择“基地”和“影音”,最高和最低精度性能,分别显示隐藏的参数和精度之间的关系。gydF4y2Ba

然后五个方法包括CSP, CSSP,摩门教,LR + CSP, LR-LDSs互相比较。表中列出的结果gydF4y2Ba 1gydF4y2Ba。gydF4y2Ba

实验结果精度(%)从每个主题在BCI竞争获得第三集IVa CSP, CSSP,我们的算法(像)。gydF4y2Ba

主题gydF4y2Ba aagydF4y2Ba 艾尔gydF4y2Ba avgydF4y2Ba 亚历山大-伍尔兹gydF4y2Ba 唉gydF4y2Ba 的意思是gydF4y2Ba
CSPgydF4y2Ba 71.43gydF4y2Ba 94.64gydF4y2Ba 61.22gydF4y2Ba 89.28gydF4y2Ba 73.02gydF4y2Ba 77.918gydF4y2Ba
CSSPgydF4y2Ba 77.68gydF4y2Ba 96.43gydF4y2Ba 63.27gydF4y2Ba 90.63gydF4y2Ba 79.37gydF4y2Ba 81.476gydF4y2Ba
摩门教gydF4y2Ba 78.57gydF4y2Ba 96.43gydF4y2Ba 64.29gydF4y2Ba 90.18gydF4y2Ba 79.76gydF4y2Ba 81.846gydF4y2Ba
LR + CSPgydF4y2Ba 77.68gydF4y2Ba 96.43gydF4y2Ba 63.78gydF4y2Ba 90.18gydF4y2Ba 79.76gydF4y2Ba 81.566gydF4y2Ba
LR-LDSsgydF4y2Ba 79.46gydF4y2Ba 98.21gydF4y2Ba 63.78gydF4y2Ba 90.18gydF4y2Ba 80.56gydF4y2Ba 82.438gydF4y2Ba

从表gydF4y2Ba 1gydF4y2Ba大胆的数据,目前最好的性能结果。LR-LDSs在多数。最后一行显示的均值LR-LDS分类精度比CSP和稍高于其他人。与CSP和LR + CSP, LR的方法是非常有效的和有用的提高精度。摩门教的相关方法优于CSP和CSSP由于其时空特征提取。gydF4y2Ba

 6.2。BCI竞争第四数据库2 agydF4y2Ba

2数据库由脑电图数据从9。有四个不同的运动图像的任务包括运动的左手,右手,两只脚和舌头。在每个试验的开始,一个固定交叉和短声提示音出现。两秒后主题却是由一个箭头指向左边,右,向下,或表示运动的左手,右手,脚,或舌1.25 s。然后受试者执行任务大约3 s的运动图像。BCI信号取样25个频道包括22个脑电图频道和3此次渠道250赫兹和bandpass-filtered 0.5赫兹和100赫兹之间。gydF4y2Ba

不同数据集IVa、数据库2是一个multiclassification问题。然而,LDA两种分类器。因此,我们选择gydF4y2Ba KgydF4y2Ba 神经网络算法CSP、CSSP摩门教,LR + CSP, LR-LDSs方法一致。表gydF4y2Ba 2gydF4y2Ba上面描述的分类精度结果五个方法有关。类似于第三BCI竞争的结果数据集IVa,摩门教的平均精度,LR + CSP, LR-LDSs高于CSP和CSSP方法。此外,LR-LDSs方法自制的最佳性能。gydF4y2Ba

实验结果精度(%)从每个主题在第四BCI竞争获得数据库2 CSP, CSSP摩门教,LR + CSP, LR-LDSs方法。gydF4y2Ba

主题gydF4y2Ba A01EgydF4y2Ba A02EgydF4y2Ba A03EgydF4y2Ba A04EgydF4y2Ba A05EgydF4y2Ba A06EgydF4y2Ba A07EgydF4y2Ba A08EgydF4y2Ba A09EgydF4y2Ba 的意思是gydF4y2Ba
CSPgydF4y2Ba 90.27gydF4y2Ba 53.13gydF4y2Ba 91.67gydF4y2Ba 71.18gydF4y2Ba 61.11gydF4y2Ba 64.24gydF4y2Ba 79.86gydF4y2Ba 91.32gydF4y2Ba 92.36gydF4y2Ba 77.24gydF4y2Ba
CSSPgydF4y2Ba 90.97gydF4y2Ba 56.94gydF4y2Ba 92.01gydF4y2Ba 72.92gydF4y2Ba 61.81gydF4y2Ba 65.28gydF4y2Ba 79.86gydF4y2Ba 93.06gydF4y2Ba 92.71gydF4y2Ba 78.40gydF4y2Ba
摩门教gydF4y2Ba 91.67gydF4y2Ba 55.56gydF4y2Ba 93.06gydF4y2Ba 74.31gydF4y2Ba 62.50gydF4y2Ba 70.83gydF4y2Ba 80.56gydF4y2Ba 93.75gydF4y2Ba 93.06gydF4y2Ba 79.48gydF4y2Ba
LR + CSPgydF4y2Ba 92.01gydF4y2Ba 58.68gydF4y2Ba 95.14gydF4y2Ba 74.65gydF4y2Ba 61.81gydF4y2Ba 65.28gydF4y2Ba 81.25gydF4y2Ba 94.44gydF4y2Ba 93.40gydF4y2Ba 79.63gydF4y2Ba
LR-LDSsgydF4y2Ba 92.01gydF4y2Ba 59.02gydF4y2Ba 94.44gydF4y2Ba 75.35gydF4y2Ba 63.19gydF4y2Ba 69.44gydF4y2Ba 81.25gydF4y2Ba 95.14gydF4y2Ba 93.06gydF4y2Ba 80.32gydF4y2Ba
7所示。结论gydF4y2Ba

CSP过去MI-BCI研究获得了很大的成功。然而,据报道,CSP只是一个空间滤波器频带和敏感。它需要先验知识选择渠道和频带。没有预处理、分类精度的结果可能是可怜的。像可以克服这些问题,同时提取时空特性来提高分类性能。此外,我们利用低秩矩阵分解的方法来摆脱噪音和静止状态组件,以提高系统的鲁棒性。然后LR + CSP LR-LDSs方法提出。对比实验证明了在两个数据集。我们工作的主要贡献是摩门教的实现模型和LR MI-BCI模式识别算法。拟议中的LR-LDSs方法实现更好的性能比CSP和CSSP。gydF4y2Ba

 相互竞争的利益gydF4y2Ba

作者宣称没有利益冲突有关的出版。gydF4y2Ba

 确认gydF4y2Ba

这项工作得到了国家自然科学基金(批准号91420302和91420302)。gydF4y2Ba

 沃尔波gydF4y2Ba j . R。gydF4y2Ba BirbaumergydF4y2Ba N。gydF4y2Ba 麦克法兰gydF4y2Ba d . J。gydF4y2Ba PfurtschellergydF4y2Ba G。gydF4y2Ba 沃恩gydF4y2Ba t M。gydF4y2Ba 脑-机接口的通信和控制gydF4y2Ba 临床神经生理学gydF4y2Ba 2002年gydF4y2Ba 113年gydF4y2Ba 6gydF4y2Ba 767年gydF4y2Ba 791年gydF4y2Ba 10.1016 / s1388 - 2457 (02) 00057 - 3gydF4y2Ba 2 - s2.0 - 0036271135gydF4y2Ba 盎gydF4y2Ba K·K。gydF4y2Ba 关gydF4y2Ba C。gydF4y2Ba 中风康复的脑机接口gydF4y2Ba 计算科学与工程杂志》上gydF4y2Ba 2013年gydF4y2Ba 7gydF4y2Ba 2gydF4y2Ba 139年gydF4y2Ba 146年gydF4y2Ba 10.5626 / jcse.2013.7.2.139gydF4y2Ba 沙玛gydF4y2Ba N。gydF4y2Ba 城堡内gydF4y2Ba 诉M。gydF4y2Ba 男爵gydF4y2Ba J.-C。gydF4y2Ba 运动图像:卒中后运动系统的后门?gydF4y2Ba 中风gydF4y2Ba 2006年gydF4y2Ba 37gydF4y2Ba 7gydF4y2Ba 1941年gydF4y2Ba 1952年gydF4y2Ba 10.1161/01. str.0000226902.43357.fcgydF4y2Ba 2 - s2.0 - 33745954612gydF4y2Ba SilvonigydF4y2Ba 年代。gydF4y2Ba Ramos-MurguialdaygydF4y2Ba 一个。gydF4y2Ba CavinatogydF4y2Ba M。gydF4y2Ba 沃尔帕托gydF4y2Ba C。gydF4y2Ba CisottogydF4y2Ba G。gydF4y2Ba TurollagydF4y2Ba 一个。gydF4y2Ba PiccionegydF4y2Ba F。gydF4y2Ba BirbaumergydF4y2Ba N。gydF4y2Ba 在中风脑机接口:回顾进展gydF4y2Ba 临床脑电图和神经科学gydF4y2Ba 2011年gydF4y2Ba 42gydF4y2Ba 4gydF4y2Ba 245年gydF4y2Ba 252年gydF4y2Ba 10.1177 / 155005941104200410gydF4y2Ba 2 - s2.0 - 83355174119gydF4y2Ba 白gydF4y2Ba O。gydF4y2Ba 林gydF4y2Ba P。gydF4y2Ba VorbachgydF4y2Ba 年代。gydF4y2Ba FloetergydF4y2Ba m·K。gydF4y2Ba 服部年宏gydF4y2Ba N。gydF4y2Ba 哈雷特gydF4y2Ba M。gydF4y2Ba 高性能感觉运动β节律脑机接口与人类自然的运动行为gydF4y2Ba 《神经工程gydF4y2Ba 2008年gydF4y2Ba 5gydF4y2Ba 1gydF4y2Ba 24gydF4y2Ba 35gydF4y2Ba 18310808gydF4y2Ba 10.1088 / 1741 - 2560/5/1/003gydF4y2Ba 2 - s2.0 - 40649084658gydF4y2Ba 18310808gydF4y2Ba ChiappagydF4y2Ba 年代。gydF4y2Ba BengiogydF4y2Ba 年代。gydF4y2Ba 嗯,IOHMM EEG节律为异步bci系统的建模gydF4y2Ba 《欧洲研讨会上ESANN人工神经网络gydF4y2Ba 2004年4月gydF4y2Ba 比利时布鲁日gydF4y2Ba 文澜gydF4y2Ba j·d·R。gydF4y2Ba MourinogydF4y2Ba J。gydF4y2Ba 异步BCI和局部神经分类器:大脑自适应接口项目的概述gydF4y2Ba IEEE神经系统和康复工程gydF4y2Ba 2003年gydF4y2Ba 11gydF4y2Ba 2gydF4y2Ba 159年gydF4y2Ba 161年gydF4y2Ba 10.1109 / tnsre.2003.814435gydF4y2Ba 2 - s2.0 - 0043171108gydF4y2Ba 一分钱gydF4y2Ba w·D。gydF4y2Ba 罗伯茨gydF4y2Ba 美国J。gydF4y2Ba 伦gydF4y2Ba 大肠。gydF4y2Ba 斯托克斯gydF4y2Ba m·J。gydF4y2Ba EEG-based交流:一种模式识别的方法gydF4y2Ba IEEE康复工程gydF4y2Ba 2000年gydF4y2Ba 8gydF4y2Ba 2gydF4y2Ba 214年gydF4y2Ba 215年gydF4y2Ba 10.1109/86.847820gydF4y2Ba 2 - s2.0 - 0034210274gydF4y2Ba PfurtschellergydF4y2Ba G。gydF4y2Ba NeupergydF4y2Ba C。gydF4y2Ba SchloglgydF4y2Ba 一个。gydF4y2Ba 小帆船gydF4y2Ba K。gydF4y2Ba 分离性EEG信号的记录在左翼和右翼运动图像使用自适应自回归参数gydF4y2Ba IEEE康复工程gydF4y2Ba 1998年gydF4y2Ba 6gydF4y2Ba 3gydF4y2Ba 316年gydF4y2Ba 325年gydF4y2Ba 9749909gydF4y2Ba 10.1109/86.712230gydF4y2Ba 2 - s2.0 - 0032168758gydF4y2Ba 9749909gydF4y2Ba 王gydF4y2Ba T。gydF4y2Ba 邓gydF4y2Ba J。gydF4y2Ba 他gydF4y2Ba B。gydF4y2Ba 因为它使得基于脑电图分类运动图像的任务通过时频合成空间模式gydF4y2Ba 临床神经生理学gydF4y2Ba 2004年gydF4y2Ba 115年gydF4y2Ba 12gydF4y2Ba 2744年gydF4y2Ba 2753年gydF4y2Ba 15546783gydF4y2Ba 10.1016 / j.clinph.2004.06.022gydF4y2Ba 2 - s2.0 - 8844271035gydF4y2Ba 15546783gydF4y2Ba KrusienskigydF4y2Ba d . J。gydF4y2Ba 麦克法兰gydF4y2Ba d . J。gydF4y2Ba 沃尔波gydF4y2Ba j . R。gydF4y2Ba 自回归谱估计模型的评价为脑-机接口的应用程序gydF4y2Ba 学报》第28届IEEE工程年度国际会议在医学和生物学协会(磨床06年)gydF4y2Ba 2006年9月gydF4y2Ba 纽约,纽约,美国gydF4y2Ba IEEEgydF4y2Ba 1323年gydF4y2Ba 1326年gydF4y2Ba 10.1109 / iembs.2006.259822gydF4y2Ba 2 - s2.0 - 34047107869gydF4y2Ba DemiralpgydF4y2Ba T。gydF4y2Ba YordanovagydF4y2Ba J。gydF4y2Ba KolevgydF4y2Ba V。gydF4y2Ba AdemoglugydF4y2Ba 一个。gydF4y2Ba DevrimgydF4y2Ba M。gydF4y2Ba 萨玛gydF4y2Ba 诉J。gydF4y2Ba 时频分析单扫描与事件相关电位的快速小波变换gydF4y2Ba 大脑和语言gydF4y2Ba 1999年gydF4y2Ba 66年gydF4y2Ba 1gydF4y2Ba 129年gydF4y2Ba 145年gydF4y2Ba 10080868gydF4y2Ba 10.1006 / brln.1998.2028gydF4y2Ba 2 - s2.0 - 0032813591gydF4y2Ba 10080868gydF4y2Ba 淀粉gydF4y2Ba D。gydF4y2Ba do NascimentogydF4y2Ba o . F。gydF4y2Ba 卢卡斯gydF4y2Ba M.-F。gydF4y2Ba DoncarligydF4y2Ba C。gydF4y2Ba 优化小波的分类产生的刺激皮层电位变化force-related参数gydF4y2Ba 神经科学杂志》上的方法gydF4y2Ba 2007年gydF4y2Ba 162年gydF4y2Ba 1 - 2gydF4y2Ba 357年gydF4y2Ba 363年gydF4y2Ba 17336392gydF4y2Ba 10.1016 / j.jneumeth.2007.01.011gydF4y2Ba 2 - s2.0 - 34047120060gydF4y2Ba 17336392gydF4y2Ba 拉莫斯gydF4y2Ba H。gydF4y2Ba Muller-GerkinggydF4y2Ba J。gydF4y2Ba PfurtschellergydF4y2Ba G。gydF4y2Ba 优化空间过滤单一审判脑电图在想象手运动gydF4y2Ba IEEE康复工程gydF4y2Ba 2000年gydF4y2Ba 8gydF4y2Ba 4gydF4y2Ba 441年gydF4y2Ba 446年gydF4y2Ba 11204034gydF4y2Ba 10.1109/86.895946gydF4y2Ba 2 - s2.0 - 0034470472gydF4y2Ba 11204034gydF4y2Ba Grosse-WentrupgydF4y2Ba M。gydF4y2Ba 巴斯gydF4y2Ba M。gydF4y2Ba 多级常见的空间模式和信息理论特征提取gydF4y2Ba IEEE生物医学工程gydF4y2Ba 2008年gydF4y2Ba 55gydF4y2Ba 8,货号。11gydF4y2Ba 1991年gydF4y2Ba 2000年gydF4y2Ba 18632362gydF4y2Ba 10.1109 / TBME.2008.921154gydF4y2Ba 2 - s2.0 - 47649120727gydF4y2Ba 18632362gydF4y2Ba BlankertzgydF4y2Ba B。gydF4y2Ba 穆勒gydF4y2Ba K.-R。gydF4y2Ba KrusienskigydF4y2Ba d . J。gydF4y2Ba SchalkgydF4y2Ba G。gydF4y2Ba 沃尔波gydF4y2Ba j . R。gydF4y2Ba SchloglgydF4y2Ba 一个。gydF4y2Ba PfurtschellergydF4y2Ba G。gydF4y2Ba 文澜gydF4y2Ba j·d·R。gydF4y2Ba 施罗德gydF4y2Ba M。gydF4y2Ba BirbaumergydF4y2Ba N。gydF4y2Ba BCI竞争III:验证实际BCI问题的替代方法gydF4y2Ba IEEE神经系统和康复工程gydF4y2Ba 2006年gydF4y2Ba 14gydF4y2Ba 2gydF4y2Ba 153年gydF4y2Ba 159年gydF4y2Ba 10.1109 / tnsre.2006.875642gydF4y2Ba 2 - s2.0 - 33746411637gydF4y2Ba http://www.bbci.de/competition/iii/results/gydF4y2Ba TangermanngydF4y2Ba M。gydF4y2Ba 穆勒gydF4y2Ba K。gydF4y2Ba AertsengydF4y2Ba 一个。gydF4y2Ba BirbaumergydF4y2Ba N。gydF4y2Ba 布劳恩gydF4y2Ba C。gydF4y2Ba 布伦纳gydF4y2Ba C。gydF4y2Ba 里氏gydF4y2Ba R。gydF4y2Ba 较多gydF4y2Ba C。gydF4y2Ba 米勒gydF4y2Ba k·J。gydF4y2Ba Muller-PutzgydF4y2Ba g·R。gydF4y2Ba 诺尔特gydF4y2Ba G。gydF4y2Ba PfurtschellergydF4y2Ba G。gydF4y2Ba PreisslgydF4y2Ba H。gydF4y2Ba SchalkgydF4y2Ba G。gydF4y2Ba SchloglgydF4y2Ba 一个。gydF4y2Ba VidaurregydF4y2Ba C。gydF4y2Ba WaldertgydF4y2Ba 年代。gydF4y2Ba BlankertzgydF4y2Ba B。gydF4y2Ba 审查的BCI竞争第四gydF4y2Ba 神经科学前沿gydF4y2Ba 2012年gydF4y2Ba 6,货号。55gydF4y2Ba 10.3389 / fnins.2012.00055gydF4y2Ba http://www.bbci.de/competition/iv/results/gydF4y2Ba LemmgydF4y2Ba 年代。gydF4y2Ba BlankertzgydF4y2Ba B。gydF4y2Ba 古玩gydF4y2Ba G。gydF4y2Ba 穆勒gydF4y2Ba K.-R。gydF4y2Ba Spatio-spectral过滤器提高单个试验脑电图的分类gydF4y2Ba IEEE生物医学工程gydF4y2Ba 2005年gydF4y2Ba 52gydF4y2Ba 9gydF4y2Ba 1541年gydF4y2Ba 1548年gydF4y2Ba 16189967gydF4y2Ba 10.1109 / TBME.2005.851521gydF4y2Ba 2 - s2.0 - 26844572294gydF4y2Ba 16189967gydF4y2Ba DornhegegydF4y2Ba G。gydF4y2Ba BlankertzgydF4y2Ba B。gydF4y2Ba KrauledatgydF4y2Ba M。gydF4y2Ba 菲gydF4y2Ba F。gydF4y2Ba 古玩gydF4y2Ba G。gydF4y2Ba 穆勒gydF4y2Ba K.-R。gydF4y2Ba 结合优化空间和时间提高脑机接口的过滤器gydF4y2Ba IEEE生物医学工程gydF4y2Ba 2006年gydF4y2Ba 53gydF4y2Ba 11gydF4y2Ba 2274年gydF4y2Ba 2281年gydF4y2Ba 17073333gydF4y2Ba 10.1109 / TBME.2006.883649gydF4y2Ba 2 - s2.0 - 33746833141gydF4y2Ba 17073333gydF4y2Ba 诺维gydF4y2Ba Q。gydF4y2Ba 关gydF4y2Ba C。gydF4y2Ba DatgydF4y2Ba t·H。gydF4y2Ba 雪gydF4y2Ba P。gydF4y2Ba 副环带常见的空间模式(SBCSP)脑机接口gydF4y2Ba 诉讼第三国际IEEE /磨床神经工程会议(CNE ' 07)gydF4y2Ba 2007年5月gydF4y2Ba 科哈拉海岸,美国夏威夷gydF4y2Ba IEEEgydF4y2Ba 204年gydF4y2Ba 207年gydF4y2Ba 10.1109 / cne.2007.369647gydF4y2Ba 2 - s2.0 - 34548798641gydF4y2Ba 盎gydF4y2Ba K·K。gydF4y2Ba 下巴gydF4y2Ba z Y。gydF4y2Ba 张gydF4y2Ba H。gydF4y2Ba 关gydF4y2Ba C。gydF4y2Ba 滤波器组常见的空间模式(FBCSP)在脑机接口gydF4y2Ba 程序的国际联合会议上神经网络(IJCNN 08年)gydF4y2Ba 2008年6月gydF4y2Ba 中国香港gydF4y2Ba 2390年gydF4y2Ba 2397年gydF4y2Ba 10.1109 / ijcnn.2008.4634130gydF4y2Ba 2 - s2.0 - 56349090127gydF4y2Ba 穆萨维gydF4y2Ba 大肠。gydF4y2Ba 人类矮小gydF4y2Ba J·J。gydF4y2Ba 菲茨杰拉德gydF4y2Ba p . B。gydF4y2Ba LithgowgydF4y2Ba b . J。gydF4y2Ba 小波常见的空间模式在异步离线大脑计算机接口gydF4y2Ba 生物医学信号处理和控制gydF4y2Ba 2011年gydF4y2Ba 6gydF4y2Ba 2gydF4y2Ba 121年gydF4y2Ba 128年gydF4y2Ba 10.1016 / j.bspc.2010.08.003gydF4y2Ba 2 - s2.0 - 79952705353gydF4y2Ba 希达gydF4y2Ba 答:S。gydF4y2Ba MahantagydF4y2Ba m . S。gydF4y2Ba PlataniotisgydF4y2Ba k . N。gydF4y2Ba 为运动图像BCI系统分离常见spatio-spectral模式gydF4y2Ba IEEE生物医学工程gydF4y2Ba 2016年gydF4y2Ba 63年gydF4y2Ba 1gydF4y2Ba 15gydF4y2Ba 29日gydF4y2Ba 10.1109 / tbme.2015.2487738gydF4y2Ba 萤石gydF4y2Ba e . J。gydF4y2Ba 李gydF4y2Ba X。gydF4y2Ba 马gydF4y2Ba Y。gydF4y2Ba 莱特gydF4y2Ba J。gydF4y2Ba 鲁棒主成分分析?gydF4y2Ba ACM的杂志gydF4y2Ba 2011年gydF4y2Ba 58gydF4y2Ba 3、第十一条gydF4y2Ba 10.1145/1970392.1970395gydF4y2Ba MR2811000gydF4y2Ba 2 - s2.0 - 79960675858gydF4y2Ba 陈gydF4y2Ba 张炳扬。gydF4y2Ba 魏gydF4y2Ba C.-P。gydF4y2Ba 王gydF4y2Ba 研究。F。gydF4y2Ba 低秩矩阵恢复的人脸识别的结构不连贯gydF4y2Ba 《IEEE计算机视觉与模式识别会议(CVPR 12)gydF4y2Ba 2012年6月gydF4y2Ba 2618年gydF4y2Ba 2625年gydF4y2Ba 10.1109 / cvpr.2012.6247981gydF4y2Ba 2 - s2.0 - 84866719546gydF4y2Ba 比达尔gydF4y2Ba R。gydF4y2Ba FavarogydF4y2Ba P。gydF4y2Ba 低等级的子空间聚类(LRSC)gydF4y2Ba 模式识别的字母gydF4y2Ba 2014年gydF4y2Ba 43gydF4y2Ba 1gydF4y2Ba 47gydF4y2Ba 61年gydF4y2Ba 10.1016 / j.patrec.2013.08.006gydF4y2Ba 2 - s2.0 - 84899446059gydF4y2Ba SaisangydF4y2Ba P。gydF4y2Ba DorettogydF4y2Ba G。gydF4y2Ba 吴gydF4y2Ba y . N。gydF4y2Ba SoattogydF4y2Ba 年代。gydF4y2Ba 动态纹理识别gydF4y2Ba 《IEEE计算机学会学报计算机视觉与模式识别会议(CVPR ' 01)gydF4y2Ba 2001年12月gydF4y2Ba 考艾岛,夏威夷,美国gydF4y2Ba II-58gydF4y2Ba 2 - 63gydF4y2Ba 2 - s2.0 - 0035684305gydF4y2Ba DorettogydF4y2Ba G。gydF4y2Ba ChiusogydF4y2Ba 一个。gydF4y2Ba 吴gydF4y2Ba y . N。gydF4y2Ba SoattogydF4y2Ba 年代。gydF4y2Ba 动态纹理gydF4y2Ba 国际计算机视觉杂志》上gydF4y2Ba 2003年gydF4y2Ba 51gydF4y2Ba 2gydF4y2Ba 91年gydF4y2Ba 109年gydF4y2Ba 10.1023 /:1021669406132gydF4y2Ba 2 - s2.0 - 0037312530gydF4y2Ba MesotgydF4y2Ba B。gydF4y2Ba 理发师gydF4y2Ba D。gydF4y2Ba 切换线性动力系统的噪声鲁棒语音识别gydF4y2Ba IEEE音频、语音和语言处理gydF4y2Ba 2007年gydF4y2Ba 15gydF4y2Ba 6gydF4y2Ba 1850年gydF4y2Ba 1858年gydF4y2Ba 10.1109 / TASL.2007.901312gydF4y2Ba 2 - s2.0 - 54349106040gydF4y2Ba 马gydF4y2Ba R。gydF4y2Ba 刘gydF4y2Ba H。gydF4y2Ba 太阳gydF4y2Ba F。gydF4y2Ba 杨gydF4y2Ba Q。gydF4y2Ba 高gydF4y2Ba M。gydF4y2Ba 线性动态系统方法对触觉对象分类gydF4y2Ba 中国科学:信息科学gydF4y2Ba 2014年gydF4y2Ba 57gydF4y2Ba 12gydF4y2Ba 1gydF4y2Ba 11gydF4y2Ba 10.1007 / s11432 - 014 - 5212 - 7gydF4y2Ba 2 - s2.0 - 84918502805gydF4y2Ba 萤石gydF4y2Ba e . J。gydF4y2Ba 李gydF4y2Ba X。gydF4y2Ba 马gydF4y2Ba Y。gydF4y2Ba 莱特gydF4y2Ba J。gydF4y2Ba 鲁棒主成分分析?gydF4y2Ba ACM的杂志gydF4y2Ba 2011年gydF4y2Ba 58gydF4y2Ba 3gydF4y2Ba 10.1145/1970392.1970395gydF4y2Ba MR2811000gydF4y2Ba 2 - s2.0 - 79960675858gydF4y2Ba 张gydF4y2Ba Q。gydF4y2Ba 李gydF4y2Ba B。gydF4y2Ba 挖掘有识别力的组件低秩和稀疏约束的人脸识别gydF4y2Ba 18 ACM SIGKDD学报》国际会议上知识发现和数据挖掘(KDD ' 12)gydF4y2Ba 2012年8月gydF4y2Ba ACMgydF4y2Ba 1469年gydF4y2Ba 1477年gydF4y2Ba 10.1145/2339530.2339760gydF4y2Ba 2 - s2.0 - 84866020210gydF4y2Ba SiyahjanigydF4y2Ba F。gydF4y2Ba AlmohsengydF4y2Ba R。gydF4y2Ba 萨布gydF4y2Ba 年代。gydF4y2Ba DorettogydF4y2Ba G。gydF4y2Ba 低秩不变的子空间学习方法的指导gydF4y2Ba 《IEEE计算机视觉国际会议(ICCV 15)gydF4y2Ba 2015年12月gydF4y2Ba 圣地亚哥,智利gydF4y2Ba 4220年gydF4y2Ba 4228年gydF4y2Ba 10.1109 / iccv.2015.480gydF4y2Ba 林gydF4y2Ba Z。gydF4y2Ba 陈gydF4y2Ba M。gydF4y2Ba 马gydF4y2Ba Y。gydF4y2Ba 增广拉格朗日乘子方法精确恢复损坏的低秩矩阵gydF4y2Ba 2010年gydF4y2Ba TuragagydF4y2Ba P。gydF4y2Ba VeeraraghavangydF4y2Ba 一个。gydF4y2Ba 斯利瓦斯塔瓦gydF4y2Ba 一个。gydF4y2Ba ChellappagydF4y2Ba R。gydF4y2Ba 统计计算grassmann和施蒂费尔复写图像和视频识别gydF4y2Ba IEEE模式分析与机器智能gydF4y2Ba 2011年gydF4y2Ba 33gydF4y2Ba 11gydF4y2Ba 2273年gydF4y2Ba 2286年gydF4y2Ba 10.1109 / TPAMI.2011.52gydF4y2Ba 2 - s2.0 - 80053126879gydF4y2Ba HarandigydF4y2Ba M。gydF4y2Ba 哈特利gydF4y2Ba R。gydF4y2Ba 沈gydF4y2Ba C。gydF4y2Ba 洛弗尔gydF4y2Ba B。gydF4y2Ba 桑德森gydF4y2Ba C。gydF4y2Ba 外在的方法编码和字典学习Grassmann导管gydF4y2Ba 国际计算机视觉杂志》上gydF4y2Ba 2015年gydF4y2Ba 114年gydF4y2Ba 2 - 3gydF4y2Ba 113年gydF4y2Ba 136年gydF4y2Ba 10.1007 / s11263 - 015 - 0833 - xgydF4y2Ba MR3386145gydF4y2Ba 2 - s2.0 - 84939565666gydF4y2Ba 马丁gydF4y2Ba r . J。gydF4y2Ba ARMA过程的度量gydF4y2Ba IEEE信号处理gydF4y2Ba 2000年gydF4y2Ba 48gydF4y2Ba 4gydF4y2Ba 1164年gydF4y2Ba 1170年gydF4y2Ba 10.1109/78.827549gydF4y2Ba MR1766256gydF4y2Ba 2 - s2.0 - 0033886142gydF4y2Ba 陈gydF4y2Ba 答:B。gydF4y2Ba VasconcelosgydF4y2Ba N。gydF4y2Ba 动态纹理分类视频与内核gydF4y2Ba 《IEEE计算机学会学报计算机视觉与模式识别会议(CVPR ' 07)gydF4y2Ba 2007年6月gydF4y2Ba 1gydF4y2Ba 6gydF4y2Ba 10.1109 / cvpr.2007.382996gydF4y2Ba 2 - s2.0 - 34948905805gydF4y2Ba