本文關(guān)鍵詞：基于知識累積的腦電信號分類研究

  更多相關(guān)文章： 多尺度分割 知識累積 公共空間模式 諧波小波包分解 腦電分類 腦-機(jī)接口

【摘要】：腦-機(jī)接口提供了一種全新的通信方式,它能夠?qū)崿F(xiàn)人腦與外部環(huán)境的直接通信,可以幫助殘障人員重新與外界交流,也能為某些領(lǐng)域提供特殊的控制方法并為探索人腦奧秘提供全新途徑。它涉及眾多研究內(nèi)容,其中對腦電信號分類方法的研究是一項非常重要的課題。在對腦電信號進(jìn)行分類時,目前通常使用的方法是:先確定信號中區(qū)分度最好的部分,之后再對它進(jìn)行分類。這種方法雖然可能在統(tǒng)計分析得出的時間段上會得到較好的分類結(jié)果,但是卻會因為丟失該時段之前的信號中所包含的重要信息,而在實(shí)際應(yīng)用中效果不佳。因此,本文提出了一種基于知識累積的腦電信號分析方法,它通過兩方面的措施克服傳統(tǒng)方法中存在的問題:其一,提取特征前用不同尺度的窗截取信號。其中各個窗的起始點(diǎn)相同但窗長會隨著時間的增長而變長,以避免在對后續(xù)時間段上的信號進(jìn)行分析時,因未考慮與之前信號的相關(guān)性而丟失數(shù)據(jù)中所包含的原始信息。之后分別對每個窗口提取特征,并對信號進(jìn)行分類。本文將各個窗口的分類情況作為系統(tǒng)獲取的信號類別知識;其二,在對信號進(jìn)行最終的分類判決時依次對獲取到的類別知識進(jìn)行累加,并根據(jù)累加的結(jié)果得到對信號的最終判決。這里采用的知識累積法能夠結(jié)合多個窗口的分類情況,從而矯正窗口在獨(dú)立情況下的判決結(jié)果,實(shí)現(xiàn)的更好分類。提取特征前,本文采用公共空間模式(CSP)方法對原始數(shù)據(jù)做預(yù)處理。它作為一種有效的腦電信號分析方法被廣泛的應(yīng)用在腦-機(jī)接口等腦電信號的研究中。但是它是一種基于多通道的腦電信號處理方法,在通道數(shù)較少的情況下性能會受到很大的限制。針對這一問題,本文采用將諧波小波包分解與CSP相結(jié)合的方法對腦電信號進(jìn)行分析。其中諧波小波包分解與二進(jìn)小波包分解原理類似,可以實(shí)現(xiàn)對信號的多層分解。而且它能夠直接將其分解到特定層,并且沒有數(shù)據(jù)損失,即每個頻帶的數(shù)據(jù)長度與原始數(shù)據(jù)長度一致。因此,本文首先通過諧波小波包分解將每個通道的數(shù)據(jù)分解到多個頻段上,并將它們作為新的通道數(shù)據(jù)運(yùn)用CSP方法進(jìn)行處理。這樣不僅可以解決CSP方法在少電極腦電信號分析中存在的問題,而且還通過實(shí)現(xiàn)對信號的多頻帶劃分達(dá)到對信號頻帶信息的充分利用。之后,本文主要對處理后的數(shù)據(jù)提取Hjorth參數(shù)以及基于CSP的特征用于分類。最后,本文在兩屆國際腦-機(jī)接口競賽的數(shù)據(jù)集上對提出方法進(jìn)行了驗證。實(shí)驗結(jié)果表明,本方法不僅優(yōu)于競賽中優(yōu)勝組的分類結(jié)果,而且相對于當(dāng)前主要的方法也取得了較好的識別結(jié)果。說明本文提出的方法可以充分利用信號中的各類信息,以及對歷史分類知識的累積,達(dá)到較高的分類性能并具有高的魯棒性。
【關(guān)鍵詞】：多尺度分割 知識累積 公共空間模式 諧波小波包分解 腦電分類 腦-機(jī)接口
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：R319;TN911.7
【目錄】：

• 摘要4-6
• Abstract6-10
• 第1章 緒論10-17
• 1.1 課題來源10
• 1.2 課題研究背景及意義10-11
• 1.3 國內(nèi)外腦機(jī)接口技術(shù)研究現(xiàn)狀11-15
• 1.3.1 國外研究現(xiàn)狀12-14
• 1.3.2 國內(nèi)研究現(xiàn)狀14-15
• 1.4 論文研究內(nèi)容及組織結(jié)構(gòu)15-17
• 第2章 腦電信號及其分析方法研究17-25
• 2.1 大腦結(jié)構(gòu)及功能簡介17-19
• 2.2 腦電信號簡介19-21
• 2.3 腦電信號的特點(diǎn)及其分析方法21-24
• 2.3.1 腦電信號的特點(diǎn)21-22
• 2.3.2 腦電信號分析方法22-24
• 2.4 本章小結(jié)24-25
• 第3章 基于CSP的腦電信號特征提取算法研究25-42
• 3.1 小波包分解25-28
• 3.2 諧波小波包分解28-35
• 3.2.1 諧波小波分解28-31
• 3.2.2 諧波小波包分解及其快速算法31-35
• 3.3 基于公共空間模式的腦電數(shù)據(jù)選擇35-36
• 3.4 腦電特征提取36-38
• 3.4.1 基于CSP的特征提取36-37
• 3.4.2 Hjorth參數(shù)37
• 3.4.3 頻帶能量37-38
• 3.5 基于主成分分析的特征選擇38-41
• 3.5.1 主成分分析簡介38
• 3.5.2 主成分分析算法研究38-41
• 3.6 本章小結(jié)41-42
• 第4章 基于知識累積的腦電信號分類研究42-50
• 4.1 多尺度腦電信號分割42-44
• 4.2 基于群體智慧的模型訓(xùn)練方法研究44
• 4.3 基于線性判決的腦電信號分類44-47
• 4.3.1 Fisher線性分類算法44-46
• 4.3.2 基于知識累積的線性分類算法研究46-47
• 4.4 基于支持向量機(jī)的腦電信號分類47-49
• 4.4.1 支持向量機(jī)分類算法47-48
• 4.4.2 基于知識累積的SVM算法48-49
• 4.5 本章小結(jié)49-50
• 第5章 實(shí)驗及結(jié)果分析50-60
• 5.1 實(shí)驗數(shù)據(jù)集簡介50-52
• 5.1.1 第二屆國際腦-機(jī)接口競賽數(shù)據(jù)集III50
• 5.1.2 第四屆國際腦-機(jī)接口競賽數(shù)據(jù)集IIB50-52
• 5.2 分類系統(tǒng)整體結(jié)構(gòu)說明52
• 5.3 基于Fisher準(zhǔn)則的線性分類實(shí)驗結(jié)果分析52-55
• 5.4 基于知識累積的SVM算法實(shí)驗結(jié)果分析55-57
• 5.5 主成分分析及諧波小波包分解層數(shù)對系統(tǒng)性能的影響57-59
• 5.6 本章小結(jié)59-60
• 總結(jié)與展望60-62
• 1 總結(jié)60
• 2 展望60-62
• 參考文獻(xiàn)62-67
• 攻讀碩士學(xué)位期間發(fā)表的論文67-69
• 致謝69

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前3條

1 徐寶國;宋愛國;費(fèi)樹岷;;在線腦機(jī)接口中腦電信號的特征提取與分類方法[J];電子學(xué)報;2011年05期

2 何慶華,彭承琳,吳寶明,王禾;基于視覺誘發(fā)電位的腦機(jī)接口實(shí)驗研究[J];生物醫(yī)學(xué)工程學(xué)雜志;2004年01期

3 裴曉梅,和衛(wèi)星,鄭崇勛;基于腦電復(fù)雜度的意識任務(wù)的特征提取與分類[J];中國生物醫(yī)學(xué)工程學(xué)報;2005年04期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 崔冬;多通道腦電信號建模及同步分析[D];燕山大學(xué);2011年

，

本文編號：521409