在小样本环境下用于脑电分类的聚合正则化共同空间模式

简介：
本文提出了一种新的方法——聚合正则化共同空间模式，专门针对小样本情况下的脑电分类问题，有效提升了分类精度。 一般的空间模式（CSP）是脑机接口（BCIs）背景下对脑电图（EEG）信号进行分类的一种常用算法。本段落介绍了一种在小样本环境中改进的CSP技术，包括正则化和聚合方法。传统的方法依赖于基于样本的协方差矩阵估计，在训练数据量较少的情况下性能会下降。 为了解决这一问题，我们提出了一种经过正则化的CSP（R-CSP）算法，通过两个参数对协变矩阵进行正则化处理，从而降低估计误差并减小偏差。为了进一步优化参数的选择过程，又提出了聚合的R-CSP（R-CSP-A），即结合多个独立的R-CSP结果来提供一个基于集合的方法。 我们使用了BCI竞赛中数据集IVa中的三种算法进行了实验验证。结果显示，在样本数量较少的情况下，所提出的R-CSP-A方法在平均分类性能上明显优于其他技术。