基于知识累积的脑电信号分类研究

发布时间：2017-07-05 09:24

  本文关键词：基于知识累积的脑电信号分类研究

  更多相关文章： 多尺度分割 知识累积 公共空间模式 谐波小波包分解 脑电分类 脑-机接口

【摘要】：脑-机接口提供了一种全新的通信方式,它能够实现人脑与外部环境的直接通信,可以帮助残障人员重新与外界交流,也能为某些领域提供特殊的控制方法并为探索人脑奥秘提供全新途径。它涉及众多研究内容,其中对脑电信号分类方法的研究是一项非常重要的课题。在对脑电信号进行分类时,目前通常使用的方法是:先确定信号中区分度最好的部分,之后再对它进行分类。这种方法虽然可能在统计分析得出的时间段上会得到较好的分类结果,但是却会因为丢失该时段之前的信号中所包含的重要信息,而在实际应用中效果不佳。因此,本文提出了一种基于知识累积的脑电信号分析方法,它通过两方面的措施克服传统方法中存在的问题:其一,提取特征前用不同尺度的窗截取信号。其中各个窗的起始点相同但窗长会随着时间的增长而变长,以避免在对后续时间段上的信号进行分析时,因未考虑与之前信号的相关性而丢失数据中所包含的原始信息。之后分别对每个窗口提取特征,并对信号进行分类。本文将各个窗口的分类情况作为系统获取的信号类别知识;其二,在对信号进行最终的分类判决时依次对获取到的类别知识进行累加,并根据累加的结果得到对信号的最终判决。这里采用的知识累积法能够结合多个窗口的分类情况,从而矫正窗口在独立情况下的判决结果,实现的更好分类。提取特征前,本文采用公共空间模式(CSP)方法对原始数据做预处理。它作为一种有效的脑电信号分析方法被广泛的应用在脑-机接口等脑电信号的研究中。但是它是一种基于多通道的脑电信号处理方法,在通道数较少的情况下性能会受到很大的限制。针对这一问题,本文采用将谐波小波包分解与CSP相结合的方法对脑电信号进行分析。其中谐波小波包分解与二进小波包分解原理类似,可以实现对信号的多层分解。而且它能够直接将其分解到特定层,并且没有数据损失,即每个频带的数据长度与原始数据长度一致。因此,本文首先通过谐波小波包分解将每个通道的数据分解到多个频段上,并将它们作为新的通道数据运用CSP方法进行处理。这样不仅可以解决CSP方法在少电极脑电信号分析中存在的问题,而且还通过实现对信号的多频带划分达到对信号频带信息的充分利用。之后,本文主要对处理后的数据提取Hjorth参数以及基于CSP的特征用于分类。最后,本文在两届国际脑-机接口竞赛的数据集上对提出方法进行了验证。实验结果表明,本方法不仅优于竞赛中优胜组的分类结果,而且相对于当前主要的方法也取得了较好的识别结果。说明本文提出的方法可以充分利用信号中的各类信息,以及对历史分类知识的累积,达到较高的分类性能并具有高的鲁棒性。
【关键词】：多尺度分割 知识累积 公共空间模式 谐波小波包分解 脑电分类 脑-机接口
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：R319;TN911.7
【目录】：

• 摘要4-6
• Abstract6-10
• 第1章 绪论10-17
• 1.1 课题来源10
• 1.2 课题研究背景及意义10-11
• 1.3 国内外脑机接口技术研究现状11-15
• 1.3.1 国外研究现状12-14
• 1.3.2 国内研究现状14-15
• 1.4 论文研究内容及组织结构15-17
• 第2章 脑电信号及其分析方法研究17-25
• 2.1 大脑结构及功能简介17-19
• 2.2 脑电信号简介19-21
• 2.3 脑电信号的特点及其分析方法21-24
• 2.3.1 脑电信号的特点21-22
• 2.3.2 脑电信号分析方法22-24
• 2.4 本章小结24-25
• 第3章 基于CSP的脑电信号特征提取算法研究25-42
• 3.1 小波包分解25-28
• 3.2 谐波小波包分解28-35
• 3.2.1 谐波小波分解28-31
• 3.2.2 谐波小波包分解及其快速算法31-35
• 3.3 基于公共空间模式的脑电数据选择35-36
• 3.4 脑电特征提取36-38
• 3.4.1 基于CSP的特征提取36-37
• 3.4.2 Hjorth参数37
• 3.4.3 频带能量37-38
• 3.5 基于主成分分析的特征选择38-41
• 3.5.1 主成分分析简介38
• 3.5.2 主成分分析算法研究38-41
• 3.6 本章小结41-42
• 第4章 基于知识累积的脑电信号分类研究42-50
• 4.1 多尺度脑电信号分割42-44
• 4.2 基于群体智慧的模型训练方法研究44
• 4.3 基于线性判决的脑电信号分类44-47
• 4.3.1 Fisher线性分类算法44-46
• 4.3.2 基于知识累积的线性分类算法研究46-47
• 4.4 基于支持向量机的脑电信号分类47-49
• 4.4.1 支持向量机分类算法47-48
• 4.4.2 基于知识累积的SVM算法48-49
• 4.5 本章小结49-50
• 第5章 实验及结果分析50-60
• 5.1 实验数据集简介50-52
• 5.1.1 第二届国际脑-机接口竞赛数据集III50
• 5.1.2 第四届国际脑-机接口竞赛数据集IIB50-52
• 5.2 分类系统整体结构说明52
• 5.3 基于Fisher准则的线性分类实验结果分析52-55
• 5.4 基于知识累积的SVM算法实验结果分析55-57
• 5.5 主成分分析及谐波小波包分解层数对系统性能的影响57-59
• 5.6 本章小结59-60
• 总结与展望60-62
• 1 总结60
• 2 展望60-62
• 参考文献62-67
• 攻读硕士学位期间发表的论文67-69
• 致谢69

【参考文献】

中国期刊全文数据库 前3条

1 徐宝国;宋爱国;费树岷;;在线脑机接口中脑电信号的特征提取与分类方法[J];电子学报;2011年05期

2 何庆华,彭承琳,吴宝明,王禾;基于视觉诱发电位的脑机接口实验研究[J];生物医学工程学杂志;2004年01期

3 裴晓梅,和卫星,郑崇勋;基于脑电复杂度的意识任务的特征提取与分类[J];中国生物医学工程学报;2005年04期

中国博士学位论文全文数据库 前1条

1 崔冬;多通道脑电信号建模及同步分析[D];燕山大学;2011年

，

本文编号：521409