机构名称：
¥ 1.0
摘要 生物信号由多个收集时间序列信息的传感器组成。由于时间序列包含时间依赖性，现有的机器学习算法很难处理它们。超维计算（HDC）作为一种受大脑启发的轻量级时间序列分类范例被引入。然而，现有的 HDC 算法存在以下缺点：（1）线性超维表示导致分类准确率低，（2）由于操作昂贵且不利于硬件而缺乏实时学习支持，以及（3）无法从部分标记数据建立强大的模型。在本文中，我们提出了 TempHD，一种用于高效和准确生物信号分类的新型超维计算方法。我们首先开发一种新型非线性超维编码，将数据点映射到高维空间。与使用昂贵数学进行编码的现有 HDC 解决方案不同，TempHD 在将数据映射到高维空间之前保留了原始空间中数据的时空信息。为了获得最具信息量的表示，我们的编码方法考虑了空间传感器和时间采样数据之间的非线性相互作用。我们的评估表明，TempHD 提供了更高的分类准确度、显著更高的计算效率，更重要的是，它能够从部分标记的数据中学习。我们评估了 TempHD 对用于脑机接口的嘈杂 EEG 数据的有效性。我们的结果表明，与最先进的 HDC 算法相比，TempHD 的分类准确度平均提高了 2.3%，训练和测试时间分别提高了 7.7 倍和 21.8 倍。
神经启发式超维分类，实现高效、稳健的生物信号处理
主要关键词
相关文件推荐
