学位论文 > 优秀研究生学位论文题录展示

基于CSP和ICA的多任务脑机接口分类方法比较研究

作　者: 许春燕
导　师: 魏庆国; 王晖
学　校: 南昌大学
专　业: 电子与通信工程
关键词: 脑机接口特征提取模式分类共同空间模式独立分量分析
分类号: TP334.7
类　型: 硕士论文
年　份: 2012年
下　载: 106次
引　用: 0次
阅　读: 论文下载

内容摘要

特征提取和模式分类是BCI系统最重要的两个环节,直接关系到BCI系统的分类识别率和分类稳健性。本文主要研究内容包括两种特征提取算法——共空间模式(Common Spatial Pattern,CSP)和独立分量分析(Independent Component Analysis,ICA),以及三种分类方法——Fisher判别分析FDA、支持向量机SVM以及KNN近邻法。在两分类任务的脑电信号特征提取方面,CSP的效果非常好,但是在处理多分类数据时,必须将二进制的CSP算法扩展到多类条件。本文使用基于近似联合对角化的多类CSP方法对脑电数据进行特征提取；为了比较特征提取算法的性能,本文还使用了一种经典的特征提取算法——独立分量分析来提取脑电信号的特征。然后使用三种分类算法,即Fisher判别分析、支持向量机SVM以及KNN近邻法,对提取的脑电特征信号进行分类。本文使用5个受试者的多任务脑电数据,对这两种特征提取算法与这三种分类方法进行了仿真实验,通过实验比较和分析了它们性能。

全文目录

摘要  3-4
ABSTRACT  4-7
第1章引言  7-15
  1.1 BCI的研究意义  8
  1.2 BCI的研究现状  8-10
  1.3 BCI的基本结构  10-11
  1.4 BCI的基本类型  11-12
  1.5 BCI的应用  12-13
  1.6 本论文的主要内容  13-15
第2章脑机接口信号处理方法的研究  15-31
  2.1 特征提取算法  15-24
    2.1.1 共同空间模式  15-20
    2.1.2 独立分量分析  20-24
  2.2 特征分类算法  24-30
    2.2.1 Fisher判别分析  25-26
    2.2.2 支持向量机  26-29
    2.2.3 KNN近邻法  29-30
  2.3 本章小结  30-31
第3章基于CSP的实验范式和结果  31-46
  3.1 实验数据  31-33
    3.1.1 实验范例  31-32
    3.1.2 数据采集  32
    3.1.3 单次实验EEG数据的截断  32-33
  3.2 特征提取和分类算法的流程  33-39
    3.2.1 数据预处理  34
    3.2.2 特征提取过程  34-39
  3.3 实验结果与分析  39-45
    3.3.1 协方差矩阵的联合对角化结果  39-41
    3.3.2 两分类结果及分析  41-42
    3.3.3 三分类结果及分析  42-44
    3.3.4 四分类结果及分析  44-45
  3.4 本章小结  45-46
第4章基于FastICA的实验范式和结果  46-61
  4.1 基于FastICA的分类算法流程图  46-51
    4.1.1 实验数据  47
    4.1.2 FastICA  47-50
    4.1.3 定义特征向量  50-51
  4.2 分类结果与分析  51-56
  4.3 FastICA算法同其他算法的比较  56-59
  4.4 本章小结  59-61
第5章总结与展望  61-63
  5.1 论文工作总结  61-62
  5.2 未来工作展望  62-63
致谢  63-64
参考文献  64-66

基于CSP和ICA的多任务脑机接口分类方法比较研究

内容摘要

全文目录

相似论文