基于K-L散度和深度聚类的自适应EEGNet-T分布解码算法研究.pdf

文章编号：1003-0530（2023）08-1465-13第 39 卷 第 8 期2023 年8 月信号处理Journal of Signal ProcessingVol.39 No.8Aug.2023基于K-L散度和深度聚类的自适应EEGNet-T分布解码算法研究李梦凡1，2，3 宋智勇1，2，3 郭苗苗1，2，3 邓豪东1，2，3 张鹏飞1，2，3 徐桂芝1，2，3（1.河北工业大学生命科学与健康工程学院省部共建电工装备可靠性与智能化国家重点实验室，天津 300132；2.河北工业大学生命科学与健康工程学院河北省生物电磁与神经工程重点实验室，天津 300132；3.河北工业大学生命科学与健康工程学院天津市生物电工与智能健康重点实验室，天津 300132）摘 要：脑机接口是脑与外界不通过神经或肌肉建立的交流通路，脑电解码通过归类脑电特征解读输出大脑意图，是影响性能的关键之一。由于脑电信号存在非平稳特性，即使在同一实验过程中脑电信号的特征也会随时间发生变化，导致事先训练好的解码模型精度常常会随时间逐渐降低，不利于脑机接口的长期稳定运行。本研究提出基于K-L散度和深度聚类的自适应EEGNet-T分布解码算法，根据脑电特征变化前后T分布的K-L散度评估脑电的非平稳性并构建基于平稳性差值的目标函数，并以此目标函数调整EEGNet网络参数通过改变非线性映射的方式缩小平稳性差值，从而动态调整融合深度网络与聚类的EEGNet-T分布模型，实现对非平稳脑电的自适应解码。10名被试参与了视觉-听觉的脑机接口实验，并进行较长时间的脑电解码预测。与传统算法相比，本算法在连续128个试次组的任务中获得最高的平均准确率87.85%（p0.05），并且在前半段实验和后半段实验对比中表现出最强的稳定性，表明该算法能够通过深度网络调整数据特征分布更好地适应脑电信号特征变化，具有更强的解码稳定性，能够保证脑机接口长时间工作的解码精度，为脑机接口实用化提供基础。关键词：脑机接口；脑电非平稳性；自适应算法；深度聚类；EEGNet；T分布中图分类号：R318.04 文献标识码：A DOI：10.16798/j.issn.1003-0530.2023.08.012引用格式：李梦凡，宋智勇，郭苗苗，等.基于K-L散度和深度聚类的自适应EEGNet-T分布解码算法研究 J.信号处理，2023，39（8）：1465-1477.DOI：10.16798/j.issn.1003-0530.2023.08.012.Reference format：LI Mengfan，SONG Zhiyong，GUO Miaomiao，et al.An adaptive EEGNet-T distribution decoding algorithm based on K-L divergence and deep clustering J.Journal of Signal Processing，2023，39（8）：1465-1477.DOI:10.16798/j.issn.1003-0530.2023.08.012.An Adaptive EEGNet-T Distribution Decoding Algorithm Based on K-L Divergence and Deep ClusteringLI Mengfan1，2，3 SONG Zhiyong1，2，3 GUO Miaomiao1，2，3 DENG Haodong1，2，3 ZHANG Pengfei1，2，3 XU Guizhi1，2，3（1.State Key Laboratory of Reliability and Intelligence of Electrical Equipment，School of Health Sciences and Biomedical Engineering，Hebei University of Technology，Tianjin 300132，China；2.Hebei Key Laboratory of Bioelectromagnetics and Neuroengineering，School of Health Sciences and Biomedical Engineering，Hebei University of Technology，Tianjin 300132，China；3.Tianjin Key Laboratory of Bioelectromagnetic Technology and Intelligent Health，School of Health Sciences and Biomedical Engineering，Hebei University of Technology，Tianjin 300132，China）收稿日期：2023-02-17；修回日期：2023-04-07基金项目：河北省自然科学基金（F2021202003）；国家自然科学基金（51977060）；河北工业大学科技新星（JBKYXX2007）；省部共建电工装备可靠性与智能化国家重点实验室优秀青年创新基金（EERI_OY2020004）信号处理第 39 卷Abstract:Brain-computer interface（BCI）is a pathway between the brain and the outside world that are not established through nerves or muscles.Electroencephalogram（EEG）decoding is one of the keys to affecting the performance of BCI by classifying EEG features to interpret the output brain intention.Due to the non-stationary characteristics of EEG signal，the characteristics of EEG signal will change with time even in the same experiment process，resulting in the precision of the pre-trained decoding precision model often gradually decreases with time.This study proposes an adaptive EEGNet-T distribution decoding algorithm based on K-L divergence and deep clustering（KL-Deep Clu）.The KL-Deep Clu evaluates the non-stationarity of the EEG using the K-L divergence of T distribution before and after the change of EEG characteristics and an objective function based on the change of the stationarity.And adjust the EEGNet network parameters by using this objective function to reduce the stationarity difference by changing the nonlinear mapping.Then EEGNet-T distribution is adaptively modulated according to this function to realize the adaptive decoding of EEG.Ten subjects participated in the visual-auditory BCI experiment，and conducted long-term EEG decoding prediction.Compared to the traditional algorithms，the KL-Deep Clu obtains the highest average accuracy of 87.85%（p Rt8.根据公式（9）去掉置信度低的样本。9.计算z在P(z,)和P(z;zt,t)分布中概率值q和q的K-L散度lossKL。10.yt和 q计算损失lossCL。11.由lossKL和lossCL反向传播调整模型。1470第 8 期李梦凡 等：基于K-L散度和深度聚类的自适应EEGNet-T分布解码算法研究Xt总样本数。（2）受试者工作特征曲线受试者工作特征曲线（receiver operating characteristic curve，ROC）经常被用来评估算法的解码性能32，因其不受数据集不同而带来的干扰，所以可以更加客观地衡量模型本身的性能。ROC曲线以假阳性率（False positive rate，FPR）为横轴，真阳性率（True positive rate，TPR）为纵轴，曲线越靠近左上，解码准确率越高。TPR为解码结果目标刺激中正确的样本量与解码结果非目标刺激的样本量的比值；FPR为解码结果目标刺激中错误的样本量与解码结果非目标刺激样本量的比值。首先根据解码模型的输出结果将输出对应的样本进行从小到大的排序，然后按分类阈值从0到1分别计算TPR和FPR，从而得到完整的ROC曲线。（3）T检验本文的统计学分析方法为T检验，T检验是用于小样本的两均值差异程度的检验方法，利用T分布理论来推断差异发生的概率，从而判定KL-Deep Clu算法较其他算法有更高的准确率和稳定性。本文采用配对样本T检验对KL-Deep Clu与各对比算法间分别进行检验，其中显著性水平=0.05。3结果为了研究KL-Deep Clu模型在非平稳EEG数据下的解码精度及稳定性，本研究将 10 名被试按S1S10编号，采用时间序列的交叉验证33，将测试集按实验顺序依次测试模型34，并从准确率变化、ROC曲线以及为平稳性等方面分析KL-Deep Clu模型的解码精度及其稳定性。3.1ERP波形变化本文将被试的数据按照实验顺序分为5组叠加平均得到Pz和Oz通道的波形图，如图3所示的。前两排分别为被试S1和S2的叠加平均波形，第三排为 10名被试总的平均波形。首先，所有被试均在200和 300 ms处诱发出 N200和 P300具有一致性。其次，单个被试和所有被试均表现出非平稳性，S1被试在250400 ms之间的峰值在前两组样本中可以达到 1213 v，而到第 5 组样本时峰值降低到10 v，S2被试也出现了峰值下降的现象。S1被试的最大峰值的潜伏期在前两组样本中是300 ms，而到第5组样本时潜伏期增加到350 ms。全部被试叠加后的结果可以看出峰值随实验进行而下降，潜伏期则会增加的现象。最后被试之间的波形各不相同，其中S1被试的幅值特征最明显，最高可以达到13 v，而S2被试的幅值最大值只有5 v，被试之间差异较为明显。ERP的幅值和潜伏期特征都随着时间发生了变化，这种变化会导致传统分类器稳定性下降，所以自适应算法要针对这些变化提高长时间使用时BCI系统的解码稳定性。3.2精度分析为证明 KL-Deep Clu 算法具有高精度，本文比较 了 SVM、BLR、GMM-BLR、Deep Clu 和 KL-Deep Clu的平均准确率。图4为由10个试次组为窗口滑动叠加得到的准确率随组变化曲线。KL-Deep Clu的准确率总是高于其他算法：KL-Deep Clu 初始准确 率 是 89.02%，经 过 61 个 试 次 组 达 到 极 大 值90.90%，110个试次组后仍可以达到85%以上。尤其是从第33试次组开始KL-Deep Clu的准确率明显高于 Deep Clu（p0.05）、BLR-GMM（p0.05）、BLR图35组ERP波形变化Fig.35 sets of ERP waveform changes1471信号处理第 39 卷（p0.05）和SVM（p0.05），Deep Clu从初始准确率84.13%到第105试次组降到最低点80.12%，BLR-GMM从初始准确率89.56%到第58试次组降到最低点 82.98%，BLR 从初始准确率 88.56%到第 110试次组降到最低点 78.08%，SVM 的初始准确率89.85%在第110试次组降到最低点75.60%。KL-Deep Clu 的平均准确率比 Deep Clu 高 4.89%，KL-Deep Clu与其他算法的准确率随试次组增加逐渐产生差距。KL-Deep Clu 不仅有较高的准确率，并且随时间推移准确率的下降幅度是最小的。比较准确率的最高点与最低点可知，经过长时间实验KL-Deep Clu的准确率下降幅度（4.92%）小于Deep Clu的准确率下降幅度（6.25%，p0.05）、BLR-GMM（6.58%，p0.05）、BLR（10.48%，p0.05）和 SVM（14.25%，p0.05），由此可见，长时间的实验中传统算法因为EEG 信号的非平稳性导致解码精度下降，而 KL-Deep Clu具有良好的自适应性能够适应 EEG信号的非平稳性，因此 KL-Deep Clu的稳定性明显优于传统算法。图5为10名被试在5种算法下的准确率，其中横轴为被试编号并用不同颜色的点表示各算法的准确率，KL-Deep Clu的10名被试平均准确率最高（87.85%4.97%），比 Deep Clu 的平均准确率高4.89%，比 BLR-GMM 的平均准确率高 2.25%，比BLR的平均准确率高6.79%，比SVM的平均准确率高9.08%。绝大多数被试在KL-Deep Clu算法下的准确率最高，大部分情况BLR-GMM的表现仅次于KL-Deep Clu，而传统算法 BLR 和 SVM 总是表现得较差于 KL-Deep Clu和 BLR-GMM。KL-Deep Clu不仅比Deep Clu准确率高，并且更加稳定，这可以说明K-L散度对EEG非平稳性的评估使KL-Deep Clu更具有普适性，更适合BCI系统的应用。3.3基于ROC曲线的分类器稳定性分析本文利用ROC曲线证明分类器性能稳定性如图6所示，并用方差分析法进行统计学分析。左侧柱状图为前64个试次组与后64个试次组ROC曲线下面积的平均差值，右侧分别为4种算法在前64个试次组和后64个试次组的ROC曲线。FPR越低代表误判率越低，TPR越高代表灵敏度越高，曲线越靠近左上角说明分类器稳定性越高35。在前64个试次组中 KL-Deep Clu 的曲线下面积为 0.93，与BLR-GMM和BLR相似，比SVM的曲线更接近左上角，说明KL-Deep Clu与BLR-GMM和BLR一样在前半段实验拥有高解码性能。在后 64 个试次组中KL-Deep Clu比其他3种算法更接近左上角，曲线下面积为 0.87比 BLR-GMM 高 0.02、比 BLR 高 0.09、比SVM高0.27，在后半段实验KL-Deep Clu的解码性能高于其他3种算法，说明KL-Deep Clu更适合在多试次组的情况下应用。计算前后 64 个试次组4种算法ROC曲线下面积平均差值，可见KL-Deep Clu的曲线下面积只有0.05的变化，比BLR-GMM下降幅度小 0.05（p0.05），比 BLR 和 SVM 小 0.12（p0.01）。由此说明 KL-Deep Clu 在多试次组跨度下能保持高解码性能具有更强的数据适应性，在非平稳的条件下具有优于其他三种算法的稳定性。3.4非平稳性分析本研究用数据分布的变化来描述EEG的非平稳性，数据分布的变化具体表现为如图7所示的两图5每个被试的平均准确率Fig.5Average accuracy per subject图4准确率随试次组变化Fig.4Accuracy varies with the number of trials1472第 8 期李梦凡 等：基于K-L散度和深度聚类的自适应EEGNet-T分布解码算法研究种情况36，其中三角与方块分别表示两个类别的数据，直线为当前解码模型的决策边界，而蓝色表示当前数据Xt，红色代表新数据Xt+1，（a）为边缘分布变化，（b）为条件分布变化。边缘分布变化由于新数据的加入导致P（Xt）P（Xt+1），当前数据与新数据分布上有明显边界，这说明 EEG 特征发生了明显变化。条件分布变化即P（yt|Xt）P（yt+1|Xt），新数据的决策边界与当前解码模型有明显差异，这说明当前解码模型不适用于新数据。这两种变化都会影响模型解码性能32，因此有必要针对以上两种变化对模型调整。本研究采用 K-L散度适应 EEG的非平稳特征具有描述特征分布变化的作用，同时作为目标函数能够及时调整模型保证模型解码性能稳定。图 8 为 3 名被试（S2，S4，S5）的 KL-Deep Clu 和SVM解码准确率与K-L散度之间的关系：图中散点表示1个试次组，曲线表示散点拟合出的趋势，横坐标表示该试次组数据与训练数据的K-L散度，纵坐标表示该试次组数据解码模型得到的准确率。这3名被试的KL-Deep Clu都表现出准确率随K-L散度变化比较平稳，而SVM表现出准确率随K-L散度变化而产生较大波动的现象，KL-Deep Clu拟合曲线的变化范围在3%8%左右，而SVM拟合曲图6ROC曲线变化Fig.6ROC curve variation图7数据分布变化Fig.7Data distribution change1473信号处理第 39 卷线的变化范围在13%20%左右，这是由于EEG的非平稳性导致K-L散度的变化，同时又影响了分类器分类性能，从图中准确率变化范围可知尽管K-L散度不断变化KL-Deep Clu仍能保持准确率在较高水平，因此根据K-L散度及时对模型参数做出调整能有效实现对EEG变化的自适应解码，保证了解码稳定性。为证明 KL-Deep Clu 对非平稳问题的适应性，图9绘制了不同K-L散度下的KL-Deep Clu和SVM的平均准确率。横轴为 K-L散度，纵轴为准确率。从整体来看，KL-Deep Clu比SVM在非平稳下的准确率更高，并且随着非平稳性的加剧，KL-Deep Clu具有更强的准确率优势。当K-L散度范围为0.00.1时，KL-Deep Clu比SVM高出0.08，当K-L散度范围增加到0.50.6时，则为0.16。这是由于当非平稳性增大时，KL-Deep Clu能够依据K-L散度调整参数适应EEG非平稳性，而SVM使用固定参数无法适应非平稳性所以准确率出现下降，从而造成两者准确率差随散度增大而增大，充分说明EEG非平稳性越强，本文算法比传统算法准确率优势越明显。3.5时间窗长度对准确率影响解码模型准确率受时间窗长度的影响，这直接决定了BCI系统的性能。为探究数据长度对准确率的影响，本文采用不同时间窗长度获取不同维度的特征向量。图10中横轴为时间窗，纵轴为KL-Deep Clu的准确率。准确率随着时间窗的延长，呈现非单调性的正向变化。当时间窗为0600 ms，准确率为85.98%；随着时间窗长度增长到0700 ms，准确率逐渐变得平稳，在01000 ms时达到88.21%。这可能是由数据特征完整性造成的，特征完整性导致算法准确率偏低，本文主要利用ERP中的N200和P300成分，而 P300成分主要出现在刺激后 300 ms到 400 ms，当时间窗长度只有 0400 ms时 P300 的成分可能并不完整，因此导致准确率偏低，因此预处理阶段合理选取时间窗长度对解码模型准确率提升有积极作用。图8K-L散度与准确率关系Fig.8Relation between K-L divergence and accuracy图9K-L散度与准确率Fig.9K-L divergence and accuracy图10时间窗与准确率Fig.10Time window and accuracy1474第 8 期李梦凡 等：基于K-L散度和深度聚类的自适应EEGNet-T分布解码算法研究3.6训练时间与预测时间对比解码模型的计算时间决定了 BCI 系统的实用性，本文比较分析了5种算法的训练时间和预测时间，如表2所示。训练时间是指在以16个试次组数据为训练数据的前提下模型参数计算所用的时间；预测时间是预测单个试次组的标签（即目标刺激编号）的计算时间。5种算法的训练时间均在秒级，能够保证在线BCI的前期准备时间不会过长。在预测时 间 方 面，KL-Deep Clu 预 测 单 个 试 次 组 仅 需0.0433 s，小于同样具有自适应能力的BLR-GMM算法，将能够实现在线实验中对数据实时预测，满足在线实验对实用性的要求。4结论围绕脑机接口的自适应解码问题，本研究提出基于K-L散度和深度聚类的自适应EEGNet-T分布解码算法，建立基于EEGNet和T-分布的深度聚类解码模型从而以非线性映射的方式提取EEG动态特征，构建基于K-L散度的脑电非平稳性目标函数来自动调整模型参数，实现非平稳脑电的自适应解码。该算法在EEG随时间变化的情况下与对照算法相比具有更高的解码精度和更强的长时间稳定性。准确率和ROC曲线在理论上表明非线性映射方式可以更好地适应脑电变化，并且K-L散度可作为衡量数据非平稳性和调整模型的重要方式；同时为BCI系统在真实环境下长时间的应用提供了更稳定的解码保障。随试次变化的准确率中存在周期波动，这种变化可能主要和实验过程中图片位置、被试视角、注意力等因素有关，在未来工作中我们将针对被试视角和界面图片位置对解码模型的影响做进一步的研究。参考文献1 陈霏，潘昌杰.基于发音想象的脑机接口的研究综述J.信号处理，2020，36（6）：816-830.CHEN Fei，PAN Changjie.A review on brain-computer interface technologies for speech imageryJ.Journal of Signal Processing，2020，36（6）：816-830.（in Chinese）2 孔祥浩，马琳，薄洪健，等.CNN与CSP相结合的脑电特征提取与识别方法研究 J.信号处理，2018，34（2）：164-173.KONG Xianghao，MA Lin，BO Hongjian，et al.Research on EEG feature extraction and recognition method based on CNN and CSP J.Journal of Signal Processing，2018，34（2）：164-173.（in Chinese）3 许敏鹏，罗睿心，韩锦，等.刺激视野面积对稳态视觉诱发电位的影响 J.信号处理，2022，38（10）：2064-2073.XU Minpeng，LUO Ruixin，HAN Jin，et al.Research on the effect of stimulus areas on steady-state visual evoked potentialJ.Journal of Signal Processing，2022，38（10）：2064-2073.（in Chinese）4 左词立，毛盈，刘倩倩，等.不同复杂度汉字模式下运动想象脑机接口性能研究 J.生物医学工程学杂志，2021，38（3）：417-424，454.ZUO Cili，MAO Ying，LIU Qianqian，et al.Research on performance of motor-imagery-based brain-computer interface in different complexity of Chinese character patternsJ.Journal of Biomedical Engineering，2021，38（3）：417-424，454.（in Chinese）5 杨硕，丁建清，王磊，等.卷积神经网络在脑疲劳检测中的研究 J.信号处理，2019，35（4）：704-711.YANG Shuo，DING Jianqing，WANG Lei，et al.Research on convolutional neural network in mental fatigue recognitionJ.Journal of Signal Processing，2019，35（4）：704-711.（in Chinese）6 王行愚，金晶，张宇，等.脑控：基于脑-机接口的人机融合控制 J.自动化学报，2013，39（3）：208-221.WANG Xingyu，JIN Jing，ZHANG Yu，et al.Brain control：Human-computer integration control based on brain-computer interfaceJ.Acta Automatica Sinica，2013，39（3）：208-221.（in Chinese）7 何群，邵丹丹，王煜文，等.基于多特征卷积神经网路的运动想象脑电信号分析及意图识别 J.仪器仪表学报，2020，41（1）：138-146.HE Qun，SHAO Dandan，WANG Yuwen，et al.Analysis and intention recognition of motor imagery EEG signals based on multi-feature convolutional neural networkJ.Chinese Journal of Scientific Instrument，2020，41（1）：138-146.（in Chinese）表2训练时间与预测时间Tab.2Training time and prediction time算法训练时间/s预测时间/sSVM0.56030.0029BLR0.13540.0282BLR-GMM0.22690.0455Deep Clu17.38210.0065KL-Deep Clu17.38210.04331475信号处理第 39 卷8 那睿，胡纯，郑德智，等.综合频率响应特征和权重系数的自适应脑机接口技术 J.仪器仪表学报，2020，41（5）：154-163.NA Rui，HU Chun，ZHENG Dezhi，et al.Research on the adaptive brain computer interface technology of synthesizing frequency response characteristics and weight coefficients J.Chinese Journal of Scientific Instrument，2020，41（5）：154-163.（in Chinese）9 郑玉甫，许敏鹏，明东.脑-机接口操控效果差异及其预测研究综述 J.中国生物医学工程学报，2018，37（6）：749-755.ZHENG Yufu，XU Minpeng，MING Dong.Research advancements on the variation and prediction of brain control performance for brain-computer interfaces（BCIs）J.Chinese Journal of Biomedical Engineering，2018，37（6）：749-755.（in Chinese）10周晓宇，许敏鹏，肖晓琳，等.脑-机接口中脑电解码算法研究综述 J.生物医学工程学杂志，2019，36（5）：856-861.ZHOU Xiaoyu，XU Minpeng，XIAO Xiaolin，et al.A review of researches on electroencephalogram decoding algorithms in brain-computer interface J.Journal of Biomedical Engineering，2019，36（5）：856-861.（in Chinese）11DAI Mengxi，WANG Shuai，ZHENG Dezhi，et al.Domain transfer multiple kernel boosting for classification of EEG motor imagery signals J.IEEE Access，2019，7：49951-49960.12SHENOY P，KRAULEDAT M，BLANKERTZ B，et al.Towards adaptive classification for BCIJ.Journal of Neural Engineering，2006，3（1）：R13-R23.13SCHLGL A，VIDAURRE C，MLLER K R.Adaptive methods in BCI research-an introductory tutorialM/Brain-Computer Interfaces.Berlin，Heidelberg：Springer Berlin Heidelberg，2009：331-355.14LI Yuanqing，GUAN Cuntai，LI Huiqi，et al.A self-training semi-supervised SVM algorithm and its application in an EEG-based brain computer interface speller systemJ.Pattern Recognition Letters，2008，29（9）：1285-1294.15BACH S H，MALOOF M A.Paired learners for concept drift C/2008 Eighth IEEE International Conference on Data Mining.Pisa，Italy.IEEE，2009：23-32.16RAZA Haider，RATHEE Dheeraj，ZHOU Shangming，et al.Covariate shift estimation based adaptive ensemble learning for handling non-stationarity in motor imagery related EEG-based brain-computer interface J.Neurocomputing，2019，343：154-166.17VIDAURRE C，KAWANABE M，VON BNAU P，et al.Toward unsupervised adaptation of LDA for brain-computer interfaces J.IEEE Transactions on Bio-Medical Engineering，2011，58（3）：587-597.18XIE Junyuan，GIRSHICK R，FARHADI A.Unsupervised deep embedding for clustering analysisEB/OL.2015：arXiv：1511.06335.https：/arxiv.org/abs/1511.06335.19YANG Bo，FU Xiao，SIDIROPOULOS N D，et al.Towards K-means-friendly spaces：Simultaneous deep learning and clusteringC/Proceedings of the 34th International Conference on Machine Learning-Volume 70.Sydney，NSW，Australia.New York：ACM，2017：3861-3870.20XU Guizhi，WU Yuwei，LI Mengfan.The study of influence of sound on visual ERP-based brain computer interface J.Sensors（Basel，Switzerland），2020，20（4）：1203.21LI Mengfan，LIN Fang，XU Guizhi.A TrAdaBoost method for detecting multiple subjects N200 and P300 potentials based on cross-validation and an adaptive thresholdJ.International Journal of Neural Systems，2020，30（3）：2050009.22LAWHERN V J，SOLON A J，WAYTOWICH N R，et al.EEGNet：A compact convolutional neural network for EEG-based brain-computer interfaces J.Journal of Neural Engineering，2018，15（5）：056013.23TONG Shanbao，LI Zhengjun，ZHU Yisheng，et al.Describing the nonstationarity level of neurological signals based on quantifications of time-frequency representationJ.IEEE Transactions on Biomedical Engineering，2007，54（10）：1780-1785.24QU Hongquan，ZHANG Mengyu，PANG Liping.Mental workload classification method based on EEG cross-session subspace slignmentJ.Mathematics，2022，10（11）：1875-1889.25LU Jie，LIU Anjin，DONG Fan，et al.Learning under concept drift：A review J.IEEE Transactions on Knowledge and Data Engineering，2019，31（12）：2346-2363.26LUIS F N，REBECA C，JAVIER G P，et al.Adaptive semi-supervised classification to reduce intersession non-stationarity in multiclass motor imagery-based brain-computer interfaces J.Neurocomputing，2015，159：186-196.27BIAN Z，ZHANG X.Pattern Recognition BeijingM.2nd ed.Tsinghua University Press，2000.28SUGIYAMA M，KRAULEDAT