基于運(yùn)動(dòng)想象的腦電信號(hào)特征選擇及分類算法研究.pdf

1、腦-機(jī)接口（Brain-Computer Interface，BCI）利用現(xiàn)代信息技術(shù)方法，在大腦層面研究腦電信號(hào)的處理過(guò)程，實(shí)現(xiàn)人機(jī)交互，為那些不能與外界正常溝通的殘障人士提供了全新思路。實(shí)現(xiàn)此技術(shù)的難題之一便是利用相關(guān)腦電信號(hào)處理算法對(duì)腦電信號(hào)進(jìn)行有效分類。為提高多類腦電信號(hào)的分類識(shí)別性能，本文基于Berlin IVa和Graz Data Set2a兩個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集對(duì)多類運(yùn)動(dòng)想象腦電信號(hào)的相關(guān)處理算法展開(kāi)了深入研究。主要工作如下：

2、r>　　對(duì)于Berlin IVa兩類運(yùn)動(dòng)想象腦電信號(hào)，為解決其數(shù)據(jù)維度高、平均分類正確率低這些問(wèn)題，本文首先分別采用了MI互信息（Mutual Information，MI）、AR功率譜估計(jì)、CSP共空間模式提取有效的時(shí)間、頻率、電極參數(shù)，實(shí)驗(yàn)結(jié)果表明以上三種算法都能有效降低特征信號(hào)維度；然后運(yùn)用LDA線性判別（Linear discriminant analysis）進(jìn)行分類，發(fā)現(xiàn)利用AR-CSP組合算法進(jìn)行特征提取時(shí)能進(jìn)一步提高分類

3、識(shí)別準(zhǔn)確率。與2005年第三屆國(guó)際腦機(jī)接口競(jìng)賽獲獎(jiǎng)結(jié)果相比，本文分類效果僅次于第一名。
　　針對(duì)Graz Data Set2a四類運(yùn)動(dòng)想象腦電信號(hào)，為提高數(shù)據(jù)信噪比，本文運(yùn)用獨(dú)立成分分析法進(jìn)行盲源分離；針對(duì)非平穩(wěn)非線性特性運(yùn)用了Wavelet小波分析和CSP共空間模式進(jìn)行特征提?。蝗缓笫褂肧VM支持向量機(jī)進(jìn)行分類。由于傳統(tǒng)SVM算法在參數(shù)的選取上存在工作量大、尋優(yōu)費(fèi)時(shí)的缺陷，本文結(jié)合GA遺傳算法（Genetic Algorithm

4、）實(shí)現(xiàn)了懲罰因子和核參數(shù)最優(yōu)值的快速選取?？紤]到GA搜索比較耗時(shí)，本文實(shí)現(xiàn)了并行計(jì)算和模型保存機(jī)制。最終兩種組合算法的分類效果相比之前都有很大提升。與競(jìng)賽結(jié)果相比，本文不僅可從多個(gè)角度衡量算法的有效性和可行性，而且本文采用的CSP-GA-SVM組合算法的KAPPA值高于2008年競(jìng)賽獲獎(jiǎng)結(jié)果第一名，Wavelet-GA-SVM的分類效果僅次于競(jìng)賽第二名，從而為腦電信號(hào)特征提取與分類提供了新的解決方案。
　　最后，本文基于BCI20