学位论文 > 优秀研究生学位论文题录展示

二类任务下脑电波分类技术的研究

作　者: 赵伟鹏
导　师: 刘忠国
学　校: 山东大学
专　业: 生物医学工程
关键词: 脑机接口脑电信号趋势共空域子空间分解支持向量机
分类号: R318
类　型: 硕士论文
年　份: 2010年
下　载: 61次
引　用: 0次
阅　读: 论文下载

内容摘要

随着计算机数据处理速度的飞速提升、存储容量的不断变大和信号处理技术的长足应用,脑机接口(BCI)系统从实验室走向现实生活有望成为可能。BCI系统是在人脑和计算机或其它电子设备之间建立的一种直接的信息交流和控制通道,是一种不依赖于常规大脑输出通路(外周神经和肌肉组织)的全新的信息交流系统。这种新的信息交换和控制技术将能为瘫痪病人,特别是那些丧失了基本肢体运动功能但思维正常的患者,提供一种与外界进行信息交流和控制的新途径,因此正受到越来越多的重视。目前,由于受到脑电信号分类识别准确率和分类识别速度的限制,BCI系统还没有能够从实验室走进现实生活中。本文研究的BCI实验是基于BCI2003竞赛数据来对脑电信号分类。在本论文中,我们提出了一种脑电信号趋势的概念,使用支持向量机(SVM)作为分类器的算法。首先将BCI2003竞赛数据通过中值滤波器和由小波函数构成的带通滤波器,然后用时间窗进行时域上的过滤,选取对于大脑思维活动现象表现最明显的一段数据,再通过共空域子空间分解(CSSD)从脑电信号中提取特征,最后基于提取的特征,通过SVM训练后,进行分类识别,分类识别率达到了85%-95%。实验中采用的特征提取方法和分类方法对于脑电信号的分类识别准确率提高了不少。论文中使用的分类算法是我们在前人的基础上改进的一种新的算法。实验结果表明,这种算法具有较高的识别率,为脑电信号的分类提供了一种新思路和新方法。

全文目录

摘要  6-7
Abstract  7-8
符号说明  8-9
第一章绪论  9-17
  1.1 引言  9-10
  1.2 研究意义  10-11
    1.2.1 在医学领域  10-11
    1.2.2 在医学以外的其它领域  11
  1.3 研究现状  11-13
  1.4 问题提出  13-14
  1.5 实验设计  14-15
  1.6 论文研究的主要内容  15-17
第二章支持向量机原理算法  17-29
  2.1 序言  17-18
  2.2 SVM简介  18-24
    2.2.1 SVM的提出  18-20
    2.2.2 SVM分类的数学原理  20-22
    2.2.3 基于线性规划的SVM分类  22-24
  2.3 SVM分类器的几种数学模型  24-27
    2.3.1 线性分界面硬间隔  24-25
    2.3.2 线性分界面软间隔  25-26
    2.3.3 非线性分界面硬间隔  26-27
    2.3.4 非线性分界面软间隔  27
  2.4 小结  27-29
第三章脑电特征提取及分类方法  29-47
  3.1 脑电信号的产生及其特点  29-30
    3.1.1 脑电信号的产生  29
    3.1.2 脑电信号的特点  29-30
  3.2 BCI研究中采用EEG信号的类型  30-34
    3.2.1 P300电位  30-31
    3.2.2 视觉诱发电位(VEP)  31-32
    3.2.3 事件相关同步(ERS)或去同步电位(ERD)  32-33
    3.2.4 皮层慢电位  33
    3.2.5 自发脑电信号  33-34
  3.3 脑电信号特征提取的方法  34-40
  3.4 EEG分类识别  40-47
第四章脑电信号特征提取及其分类识别结果  47-65
  4.1 小波分解系数作为特征参量  47-54
    4.1.1 小波变换基本原理  47-48
    4.1.2 EEG特征的形成及分类过程  48-49
    4.1.3 分类结果及其结果分析  49-50
    4.1.4 信号趋势提取特征  50-54
  4.2 共空域子空间分解  54-63
    4.2.1 共空域模式(CSP)  54-55
    4.2.2 共空域模式提取原始脑电信号特征进行分类  55-57
    4.2.3 信号趋势分类方法  57-63
  4.3 批处理程序  63-64
  4.4 小结  64-65
第五章总结与展望  65-68
  5.1 主要工作总结  65-66
  5.2 工作展望  66-68
参考文献  68-70
致谢  70-71
学位论文评阅及答辩情况表  71

二类任务下脑电波分类技术的研究

内容摘要

全文目录

相似论文