·1059· 章杭奎，等：面向跨被试RSVP的多特征低维子空间嵌入的ERP检测 第5期 间间隔[0，]的脑电数据作为当前试次对应脑电 欧式空间对齐数据的分类效果普遍比不对齐数据 样本。 要好。验证了本文在特征联合的同时使用对齐数 据策略的正确性。其次，在7个不同长度分段下， 本文的特征联合方法在其中5个长度分段下达到 了最好的分类效果，而直接联合只在1个长度分 段下达到最优。最后，本文特征联合方法在7个 长度的分段下，没有遇到过分类效果最差的情况。 (a)直接特征联合 (b)本文特征联合 表2给出了其在清华RSVP数据集下的表 图8联合后特征降维 现，同样可以发现使用欧式空间对齐数据策略的 Fig.8 Feature dimensionality reduction after union 正确性，本文特征联合方法在7个不同长度分段 表I给出了其在PhysioNetRSVP数据集下的 下，均达到了最优效果。其标准差相较于其他方 表现，从中可以看出以下几点现象。首先，使用 法也更低，即具备更优的稳定性。 表1 PhysioNetRSVP下的平衡准确率 Table 1 Balanced classification accuracy under PhysioNetRSVP 采用的长度分段 特征提取方法 对齐数据 0.4s 0.5s 0.6s 0.7s 0.8s 0.9s Is 是 0.643±0.081 0.704±0.094 0.705±0.095 0.704±0.088 0.696±0.089 0.694±0.090 0.698±0.088 切线空间投影 否 0.627±0.092 0.686±0.109 0.690±0.102 0.685±0.093 0.696±0.092 0.690±0.095 0.692±0.096 是 0.627±0.066 0.697±0.1000.700±0.0910.70240.0950.695±0.0930.691±0.0940.690±0.094 XDAWN 否 0.619±0.081 0.677±0.1080.677±0.0990.676±0.0950.676±0.0970.684±0.0970.682±0.094 是 0.632±0.072 0.706±0.0970.697±0.1000.703±0.0990.692±0.1100.696±0.1000.688±0.096 直接联合 否 0.629±0.089 0.692±0.1110.693±0.1030.692±0.0960.697±0.0960.697±0.096 0.693±0.089 是 0.652±0.0780.702±0.1000.703±0.0920.713±0.0910.701±0.099 0.701±0.0940.699±0.096 本文联合 否 0.634±0.0930.692±0.1080.695±0.1030.693±0.1040.694±0.104 0.691±0.105 0.685±0.097 表2清华RSVP下的平衡准确率 Table 2 Balanced classification accuracy under Tsinghua RSVP 采用的长度分段 特征提取方法 对齐数据 0.4s 0.5s 0.6s 0.7s 0.8s 0.9s Is 是 0.700±0.0440.749±0.0480.762±0.0550.767±0.0560.770±0.0640.771±0.0700.775±0.074 切线空间投影 否 0.658±0.0460.713±0.0630.724±0.0720.725±0.0730.717±0.0850.7240.093 0.718±0.096 是 0.701±0.039 0.746±0.0460.761±0.0470.764±0.0490.764±0.0560.767±0.0670.768±0.068 XDAWN 否 0.655±0.049 0.699±0.0610.711±0.0610.711±0.0620.710±0.0680.704±0.0750.710±0.076 是 0.698±0.049 0.751±0.0550.763±0.0540.765±0.0620.765±0.0680.765±0.072 0.770±0.071 直接联合 否 0.663±0.053 0.708±0.075 0.71940.0790.717±0.0770.721±0.0790.719±0.085 0.721±0.082 是 0.706±0.0420.752±0.0490.768±0.0510.777±0.0540.777±0.0600.778±0.0670.779±0.066 本文联合 否 0.665±0.0530.717±0.0650.725±0.0690.721±0.0770.719±0.0840.718±0.0940.718±0.097 3.5不同被试下的对比 图9、10观察各特征提取方法在不同被试上分类 值得注意的是，由于被试间个体差异较大2) 效果的表现。 需要对同一模型在不同被试上的表现进行观察。 在PhysioNetRSVP数据集的II个被试中，本 在这里，本文选用每个被试长度分段在0.7s及以 文特征联合方法在7个被试上达到了最优：在清 上且采用数据对齐的实验结果做平均值，可以从 华RSVP数据集的10个被试中，本文特征联合方间间隔 [0,t] 的脑电数据作为当前试次对应脑电 样本。 (a) 直接特征联合 (b) 本文特征联合 图 8 联合后特征降维 Fig. 8 Feature dimensionality reduction after union 表 1 给出了其在 PhysioNetRSVP 数据集下的 表现，从中可以看出以下几点现象。首先，使用 欧式空间对齐数据的分类效果普遍比不对齐数据 要好。验证了本文在特征联合的同时使用对齐数 据策略的正确性。其次，在 7 个不同长度分段下， 本文的特征联合方法在其中 5 个长度分段下达到 了最好的分类效果，而直接联合只在 1 个长度分 段下达到最优。最后，本文特征联合方法在 7 个 长度的分段下，没有遇到过分类效果最差的情况。 表 2 给出了其在清华 RSVP 数据集下的表 现，同样可以发现使用欧式空间对齐数据策略的 正确性，本文特征联合方法在 7 个不同长度分段 下，均达到了最优效果。其标准差相较于其他方 法也更低，即具备更优的稳定性。 表 1 PhysioNetRSVP 下的平衡准确率 Table 1 Balanced classification accuracy under PhysioNetRSVP 特征提取方法 对齐数据 采用的长度分段 0.4 s 0.5 s 0.6 s 0.7 s 0.8 s 0.9 s 1 s 切线空间投影 是 0.643±0.081 0.704±0.094 0.705±0.095 0.704±0.088 0.696±0.089 0.694±0.090 0.698±0.088 否 0.627±0.092 0.686±0.109 0.690±0.102 0.685±0.093 0.696±0.092 0.690±0.095 0.692±0.096 xDAWN 是 0.627±0.066 0.697±0.100 0.700±0.091 0.702±0.095 0.695±0.093 0.691±0.094 0.690±0.094 否 0.619±0.081 0.677±0.108 0.677±0.099 0.676±0.095 0.676±0.097 0.684±0.097 0.682±0.094 直接联合 是 0.632±0.072 0.706±0.097 0.697±0.100 0.703±0.099 0.692±0.110 0.696±0.100 0.688±0.096 否 0.629±0.089 0.692±0.111 0.693±0.103 0.692±0.096 0.697±0.096 0.697±0.096 0.693±0.089 本文联合 是 0.652±0.078 0.702±0.100 0.703±0.092 0.713±0.091 0.701±0.099 0.701±0.094 0.699±0.096 否 0.634±0.093 0.692±0.108 0.695±0.103 0.693±0.104 0.694±0.104 0.691±0.105 0.685±0.097 表 2 清华 RSVP 下的平衡准确率 Table 2 Balanced classification accuracy under Tsinghua RSVP 特征提取方法 对齐数据 采用的长度分段 0.4 s 0.5 s 0.6 s 0.7 s 0.8 s 0.9 s 1 s 切线空间投影 是 0.700±0.044 0.749±0.048 0.762±0.055 0.767±0.056 0.770±0.064 0.771±0.070 0.775±0.074 否 0.658±0.046 0.713±0.063 0.724±0.072 0.725±0.073 0.717±0.085 0.72±0.093 0.718±0.096 xDAWN 是 0.701±0.039 0.746±0.046 0.761±0.047 0.764±0.049 0.764±0.056 0.767±0.067 0.768±0.068 否 0.655±0.049 0.699±0.061 0.711±0.061 0.711±0.062 0.710±0.068 0.704±0.075 0.710±0.076 直接联合 是 0.698±0.049 0.751±0.055 0.763±0.054 0.765±0.062 0.765±0.068 0.765±0.072 0.770±0.071 否 0.663±0.053 0.708±0.075 0.719±0.079 0.717±0.077 0.721±0.079 0.719±0.085 0.721±0.082 本文联合 是 0.706±0.042 0.752±0.049 0.768±0.051 0.777±0.054 0.777±0.060 0.778±0.067 0.779±0.066 否 0.665±0.053 0.717±0.065 0.725±0.069 0.721±0.077 0.719±0.084 0.718±0.094 0.718±0.097 3.5 不同被试下的对比 值得注意的是，由于被试间个体差异较大[22-23] ， 需要对同一模型在不同被试上的表现进行观察。 在这里，本文选用每个被试长度分段在 0.7 s 及以 上且采用数据对齐的实验结果做平均值，可以从 图 9、10 观察各特征提取方法在不同被试上分类 效果的表现。 在 PhysioNetRSVP 数据集的 11 个被试中, 本 文特征联合方法在 7 个被试上达到了最优；在清 华 RSVP 数据集的 10 个被试中，本文特征联合方 ·1059· 章杭奎，等：面向跨被试 RSVP 的多特征低维子空间嵌入的 ERP 检测 第 5 期