文献

J-GLOBAL ID：201402230618697077   整理番号：14A0020996

脳コンピュータインタフェイスにおいてバッチ増分SVMに基づくEEG分類

EEG classification based on batch incremental SVM in brain computer interfaces

著者 (4件)： Yang Banghua (Dep. of Automation,School of Mechatronics Engineering and Automation;Shanghai Key Lab. of Power Station Automation ...) ,  He Meiyan (Dep. of Automation,School of Mechatronics Engineering and Automation;Shanghai Key Lab. of Power Station Automation ...) ,  Liu Li (Dep. of Automation,School of Mechatronics Engineering and Automation;Shanghai Key Lab. of Power Station Automation ...) ,  Lu Wenyu (Dep. of Automation,School of Mechatronics Engineering and Automation;Shanghai Key Lab. of Power Station Automation ...)
資料名： Zhejiang Daxue Xuebao. Gongxue Ban  (Zhejiang Daxue Xuebao. Gongxue Ban)
巻： 47  号： 8  ページ： 1431-1436  発行年： 2013年 
JST資料番号： W1536A  ISSN： 1008-973X  CODEN： ZDXGFS  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 脳波(EEG)分類を目指して,方法がバッチ増分サポートベクトルマシン(BISVM)に基づいた分類は,脳コンピュータインタフェイス(BCI)において提唱した。すべてのトレーニングデータはバッチ工程によって集めて,初期のSVM分類装置モデルは最初のグループを使用して設定した。データの残りのグループは,新しいサンプルとして規則的最初のグループに加えた。増分学習および減衰性学習過程は,KKT状態に適合するサンプルに採用した。初期のSVM分類装置モデルは,KKT状態を連続的に推定すること,要因を更新すること,誤差サンプルを処分することによって更新した。2008BCI競争データセットおよび著者らの実験EEGデータに基づいて,特徴は波束パケット分解(WPD)および一般空間パターン(CSP)によって抽出した。SVM,ISVMおよびBISVMは,これらの特徴を類別するために使用した。実験結果は,BISVMの平均値分類正確さが個々に,SVMおよびISVMより高い3.3%および0.3%であることを示した。BISVMの平均トレーニング時間は,ISVMと比較して,1.076s秒から0.073s秒まで短くした。BISVMは,わずか人間脳にコンピュータの適応性を改良することができるだけでなく,速くて,リアルタイムで,オンラインBCIシステムの実現にも基礎を置いた。Data from the ScienceChina, LCAS. Translated by JST

シソーラス用語： *マンマシンインタフェイス ,  サポートベクトルマシン ,  集合 ,  形態 ,  分類 ,  回線接続 ,  過程 ,  分類装置
準シソーラス用語： *脳-コンピュータインターフェイス ,  データセット ,  空間パターン ,  SVM分類 ,  オンライン ,  実験結果 ,  学習過程 ,  SVM

分類 (1件)： 数値計算  (JE02000J)

タイトルに関連する用語 (5件)： 脳コンピュータインタフェイス ,  バッチ ,  SVM ,  EEG ,  分類