中文摘要：

针对有监督学习容易造成未标记样本的浪费和手动特征提取容易导致信息丢失的问题,提出一种基于深层堆叠网络(DSN)的半监督特征学习方法。该方法将受限玻尔兹曼机(RBM)的无监督学习与基于批量模式的梯度下降算法相结合,包括预训练和微调两个阶段。首先,采用对比散度(CD)训练算法对多个RBM进行并行的无监督训练,实现对各个通道脑电信号的独立特征提取,避免各通道脑电信号之间的相互干扰。然后,将训练得到的参数用于DSN的输入权值初始化,再采用基于批量模式的梯度下降法对网络进行监督微调,对多个通道的脑电信号进行有效的特征融合,减小特征信息丢失。最后,将所提方法用于运动想象脑电信号特征的提取及识别。实验结果表明本文方法能够充分利用未标记样本中的隐含信息,有效提取脑电信号特征,识别结果优于共同空间模式(CSP)和深度信念网络(DBN)等算法,该方法可用于提高脑-机接口(BCI)系统中脑电信号的识别正确率。