学位论文 > 优秀研究生学位论文题录展示

多分类脑—机接口特征提取与模式分类方法的研究

作　者: 涂委
导　师: 魏庆国
学　校: 南昌大学
专　业: 通信与信息系统
关键词: 脑-机接口多特征结合小波包分解共空域子空间分解
分类号: TP334.7
类　型: 硕士论文
年　份: 2009年
下　载: 45次
引　用: 1次
阅　读: 论文下载

内容摘要

信息传输率低以及分类识别率不理想一直是脑-机接口研究中的瓶颈,并且在很大程度上限制了脑-机接口的实际应用。提高信息传输率的主要途径之一是将两个脑任务扩展到多个任务,研究与开发多任务脑-机接口。针对以上问题本文提出了一种基于三类运动想象数据的多特征结合脑-机接口算法。本算法运用小波包分解方法和共空域子空间分解方法分别提取相应的特征,再将它们组合进行分类识别。首先将原始脑电数据分别进行三种不同的滤波以获取不同脑电信号分量,随后运用小波包分解方法提取子带平均能量特征,这其中通过选取最优小波包空间来降低子带平均能量特征的维数,提高特征质量;共空域子空间分解方法则用来提取两种基本的电生理现象:运动相关电位和事件相关去同步。然后运用Fisher判别分析分别将三个特征矢量降维,并将它们组合在一起获得一个高质量的六维特征矢量。在此基础上,通过对比使用不同分类器得到分类正确率的优劣,最终选择支持向量机作为本算法的分类器。算法中所使用的数据均为三类想象运动:想象左手、想象右手和想象脚动。此算法应用于五个受试者想象运动数据上并取得了理想的分类结果。实验结果表明本算法具有分类识别率高、稳定性好、信息传输率快等特点。

全文目录

摘要  3-4
ABSTRACT  4-7
第1章引言  7-12
  1.1 脑-机接口概念及原理  7-8
  1.2 脑-机接口系统组成及研究现状  8-10
  1.3 研究目的和意义  10-11
  1.4 本文主要研究内容  11-12
第2章脑-机接口特征提取与模式分类方法研究  12-25
  2.1 脑-机接口特征提取方法  12-17
    2.1.1 共空域子空间分解  12-16
    2.1.2 小波包分解  16-17
  2.2 脑-机接口模式分类方法  17-24
    2.2.1 反向传播神经网络  18-20
    2.2.2 Fisher判别分析  20-21
    2.2.3 支持向量机  21-24
  2.3 本章小结  24-25
第3章基于WPD和CSSD的多特征结合三分类算法  25-52
  3.1 提出本算法的原因及意义  25-26
  3.2 算法流程  26-44
    3.2.1 数据采集与预处理  28-31
    3.2.2 特征提取  31-41
      3.2.2.1 特征描述  31-34
      3.2.2.2 运动相关电位特征提取步骤  34-37
      3.2.2.3 事件相关去同步特征提取步骤  37-38
      3.2.2.4 子带平均能量特征提取步骤  38-41
    3.2.3 数据降维处理  41
    3.2.4 分类  41-44
  3.3 算法结果与性能研究  44-51
  3.4 本章小结  51-52
第4章本文算法相关讨论  52-58
  4.1 滤波器频段选择和生理特征  52-54
  4.2 小波变换和小波包分解  54-55
  4.3 分类器选择  55-56
  4.4 信息传输率  56-57
  4.5 本章小结  57-58
第5章总结与展望  58-61
  5.1 论文主要工作成果  58-59
  5.2 未来工作展望  59-61
致谢  61-62
参考文献  62-66
攻读学位期间的研究成果  66

多分类脑—机接口特征提取与模式分类方法的研究

内容摘要

全文目录

相似论文