基于张量R-Tucker分解的BCI数据分类研究

摘要

张量分解作为一种高维数据分析工具能够结合多个模态的信息从而获取具有判别信息的特征,但是在高维空间上进行张量分解存在计算复杂度高的问题。为了解决该问题,研究借助随机奇异值分解速度快的特点,提出基于随机奇异值分解的张量Tucker分解(张量R-Tucker分解),并将其用于BCICIV2b数据集的特征提取和分类中。实验结果显示:相比张量Tucker分解,张量R-Tucker分解特征提取速度提升22%,并且平均分类准确率达到80.93%,与现有基于矩阵的方法相比提高10.12%。