隨著智能設(shè)備的發(fā)展,基于生物電信號的自然人機交互（natural Human Machine Interaction,nHMI）方式成為研究人機交互領(lǐng)域中的熱點問題。其中,基于腦電圖信號（Electroencephalogram,EEG）和表面肌電信號（surface Electromyogram,sEMG）的生物電信號交互方式,作為近二十年來快速發(fā)展的一種新型人機交互方式,具有信號發(fā)生機理和運動意圖高度耦合、互為因果的優(yōu)勢,在人機交互領(lǐng)域有著廣闊的發(fā)展前景。本文主要研究以腦電圖信號和表面肌電信號為媒介的自然交互控制問題中的大腦意圖識別和上肢手勢姿態(tài)識別關(guān)鍵技術(shù)問題。具體工作如下:（1）腦電圖信號采集方案設(shè)計和系統(tǒng)實現(xiàn)。通過分析腦電圖信號和大腦皮層功能分布,設(shè)計了針對四類運動想象的電極放置方案和運動激活范式,實現(xiàn)了3名實驗對象的運動想象腦電信號采集,為研究以腦電圖信號為媒介的自然交互控制系統(tǒng)提供有效數(shù)據(jù)獲取的方法。（2）腦電信號中眼電偽跡的自適應(yīng)去除。通過分析ICA算法不能自適應(yīng)選擇眼電偽跡成分和CCICA算法需要額外眼電通道等問題后,提出了一種基于EMD-CCICA自動去除眼電偽跡的... 

【文章來源】：南京林業(yè)大學(xué)江蘇省

【文章頁數(shù)】：77 頁

【學(xué)位級別】：碩士

【部分圖文】：

單個通道的時域特征相關(guān)系數(shù)矩陣圖

43征，本文選取MAV、PK、SF、ZCR這四種特征作為最終分類器分析的時域特征。時域特征降維后，需要分析時域、頻域、時頻域和空域的多域特征對四類運動想象任務(wù)是否具有類間可分性。為了說明并了解多域特征的分類性能，本文使用K=3的KNN分類器的對多域特征進行訓(xùn)練分類，分類準(zhǔn)確率如圖4-12所示。從圖4-12中可以看出，對于60導(dǎo)電極的四類運動想象信號，空域特征具有最高分類準(zhǔn)確率，時頻域特征準(zhǔn)確率最低�；谝粚Χ郈SP算法的EEG信號空域分析，可以有效提取EEG信號中時間和空間變化信息，因此多域特征中空域特征值具有最好的表征性能。圖4-12單域特征分類準(zhǔn)確率(KNN分類器：K=3)Fig.4-12Singledomainfeatureclassificationaccuracyrate(KNNclassifier:K=3)使用分類器算法對EEG信號多域特征進行類別判定是BCI系統(tǒng)中信號分析的最后一個模塊，優(yōu)質(zhì)的分類器對于分類準(zhǔn)確率而言是至關(guān)重要的。為了有效評估6種分類器對運動意圖識別的性能，本文使用網(wǎng)格搜索法搜索各個分類器預(yù)定義的超參數(shù)組合，并結(jié)合5折交叉驗證法分析各個超參數(shù)組合的性能，最后選取最佳的超參數(shù)以及參數(shù)對應(yīng)的分類器算法作為最終的分類器。交叉驗證法能夠提高分類器算法對數(shù)據(jù)集的泛化能力避免過擬合現(xiàn)象，原理是將數(shù)據(jù)集分為5等份，每次選取其中的4份作為訓(xùn)練集，剩余的第5份作為測試集并得出分類器分類結(jié)果，5折交叉驗證法實驗方法示意圖如圖4-13所示。訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集測試集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集測試集測試集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集測試集測試集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集測試集測試集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集測試集測試集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集測試?

44待評估的6種分類器網(wǎng)格搜索超參數(shù)集合如表4.1所示。表4.16種分類器超參數(shù)搜索集合Table4.16typesofclassifierhyperparametersearchcollection分類器超參數(shù)超參數(shù)搜索集合樸素貝葉斯(NB)無無線性分類器(LDA)無無K近鄰(KNN)K{1,3,5,,21}支持向量機(SVM-RBF)Cγ{2,=10,9,,30}{2,=30,19,,0}決策樹(DT)樹的最大深度{1,2,,100}人工神經(jīng)網(wǎng)絡(luò)(ANN)神經(jīng)元個數(shù){10,20,30,40,50}對表4.1中四類分類器算法進行交叉驗證獲取最優(yōu)的超參數(shù)，超參數(shù)網(wǎng)格搜索結(jié)果如圖4-14(KNN)、圖4-15(SVM-RBF核)、圖4-16(DT)和圖4-17(ANN)所示，其圖中所標(biāo)示準(zhǔn)確率為最優(yōu)超參數(shù)平均交叉驗證準(zhǔn)確率，圖中所標(biāo)示的數(shù)字為最高準(zhǔn)確率。圖4-14KNN超參數(shù)網(wǎng)格搜索結(jié)果圖Fig.4-14KNNhyperparametergridsearchresults


本文編號：3515449