本文選題：腦-機接口 + 共空間模式　； 參考：《信號處理》2017年07期

【摘要】：在運動想象腦-機接口(Motor imagery brain-computer interface,MI-BCI)系統(tǒng)研究中,共空間模式(Common spatial pattern,CSP)作為一種有監(jiān)督空域濾波設(shè)計方法,已被廣泛應(yīng)用于運動想象腦電信號(Electroencephalography,EEG)的特征提取。但是EEG訓(xùn)練樣本的采集過程不僅會受到各種噪聲偽跡干擾,也會受到受試者分心和疲勞等因素的影響,因此,訓(xùn)練集中難免出現(xiàn)"低質(zhì)量"的異常單次試驗數(shù)據(jù)。如果不加選擇地將所有的單次樣本用于CSP濾波器設(shè)計和分類器訓(xùn)練,會給所建BCI系統(tǒng)的性能帶來較嚴(yán)重的負(fù)面影響。針對這一問題,本文提出一種新穎而實用的EEG訓(xùn)練樣本篩選方法。方法的基本步驟是,先依次選擇單次EEG樣本對進(jìn)行CSP濾波器設(shè)計,并結(jié)合零訓(xùn)練分類器構(gòu)造相應(yīng)的CSP-BCI測試系統(tǒng)。然后以所建CSP-BCI系統(tǒng)的交叉驗證識別率為指標(biāo),剔除低識別率對應(yīng)的單次訓(xùn)練數(shù)據(jù),以實現(xiàn)對訓(xùn)練樣本集的優(yōu)化。基于所提方法,論文對6位受試者在不同時間采集的75組兩類運動想象EEG數(shù)據(jù)進(jìn)行了優(yōu)化篩選和測試。實驗結(jié)果表明,相比傳統(tǒng)方法設(shè)計的CSP-BCI系統(tǒng),基于訓(xùn)練樣本優(yōu)化方法的CSP-BCI系統(tǒng)性能得到明顯改善,針對六位受試者測試集的平均識別率分別提高了5.04%、6.42%、13.15%、15.51%、1.94%和8.26%。
[Abstract]:In the research of motor imagery brain-computer interface MI-BCII system, Common spatial pattern (CSP), as a supervised spatial filtering method, has been widely used in feature extraction of motor image-EEG electroencephalography (EGG). However, the acquisition process of EEG training samples is affected not only by noise artifacts, but also by the distractions and fatigue of the subjects. Therefore, "low quality" abnormal single test data are inevitable in the training concentration. If all the single samples are used in the CSP filter design and classifier training, the performance of the BCI system will be seriously affected. To solve this problem, a novel and practical EEG training sample selection method is proposed in this paper. The basic steps of the method are to select a single EEG sample pair in turn to design the CSP filter, and to construct the corresponding CSP-BCI test system combined with the zero training classifier. Then, the single training data corresponding to the low recognition rate is eliminated based on the cross validation recognition rate of the CSP-BCI system, so as to optimize the training sample set. Based on the proposed method, 75 groups of motion imagination EEG data collected by 6 subjects at different time were optimized and tested. The experimental results show that compared with the traditional CSP-BCI system, the performance of the CSP-BCI system based on the training sample optimization method is obviously improved. The average recognition rate of the test set for the six subjects is increased by 5.04% and 6.42%, respectively, by 1.94% and 8.26%, respectively.
【作者單位】： 安徽大學(xué)計算機科學(xué)與技術(shù)學(xué)院;安徽大學(xué)計算機學(xué)院;安徽大學(xué)計算智能與信號處理教育部重點實驗室;安徽大學(xué)信息保障技術(shù)協(xié)同創(chuàng)新中心;
【基金】：國家自然科學(xué)基金(6127132,61401002) 安徽省自然科學(xué)基金(1408085QF125) 安徽省自然科學(xué)研究項目(KJ2016A043)
【分類號】：R318;TN713

【相似文獻(xiàn)】

相關(guān)期刊論文 前8條

1 朱秀芳;潘耀忠;張錦水;王雙;顧曉鶴;徐超;;訓(xùn)練樣本對TM尺度小麥種植面積測量精度影響研究(Ⅰ)——訓(xùn)練樣本與分類方法間分類精度響應(yīng)關(guān)系研究[J];遙感學(xué)報;2007年06期

2 朱秀芳;潘耀忠;王雙;韓立建;徐超;;訓(xùn)練樣本對TM尺度小麥種植面積測量精度影響研究(Ⅱ)——樣本質(zhì)量對小麥測量精度的影響分析[J];測繪科學(xué);2009年05期

3 吳健平，楊星衛(wèi);遙感數(shù)據(jù)監(jiān)督分類中訓(xùn)練樣本的純化[J];國土資源遙感;1996年01期

4 王毅;張良培;李平湘;;基于自動搜索和光譜匹配技術(shù)的訓(xùn)練樣本純化算法[J];武漢大學(xué)學(xué)報(信息科學(xué)版);2007年03期

5 袁輝;王鳳山;許繼恒;沈英;;基于改進(jìn)SVM的坑道毀傷仿真訓(xùn)練樣本約簡模型[J];解放軍理工大學(xué)學(xué)報(自然科學(xué)版);2014年02期

6 王慧妮;倪萬魁;;基于計算機X射線斷層術(shù)與掃描電鏡圖像的黃土微結(jié)構(gòu)定量分析[J];巖土力學(xué);2012年01期

7 戴磊;云曉春;張永錚;吳志剛;;一種基于TCM主動學(xué)習(xí)的P2P流識別技術(shù)[J];高技術(shù)通訊;2010年07期

8 ;[J];;年期

相關(guān)會議論文 前3條

1 王建;吳捷;;BP算法中設(shè)定隨訓(xùn)練樣本變化的神經(jīng)元閥值的研究[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

2 陳光;張洪剛;郭軍;;基于余弦整形變換的手寫漢字訓(xùn)練樣本生成方法[A];2006年首屆ICT大會信息、知識、智能及其轉(zhuǎn)換理論第一次高峰論壇會議論文集[C];2006年

3 林X;白清源;謝麗聰;謝伙生;張瑩;;基于樣本差異性的關(guān)聯(lián)文本分類[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集[C];2007年

相關(guān)博士學(xué)位論文 前2條

1 張生亮;大類別及少量訓(xùn)練樣本的人臉識別問題研究[D];南京理工大學(xué);2005年

2 李欣;二維及雙模態(tài)融合的單訓(xùn)練樣本人臉識別技術(shù)研究[D];哈爾濱工程大學(xué);2011年

相關(guān)碩士學(xué)位論文 前6條

1 張彬;基于One-class SVM的人臉識別研究[D];江南大學(xué);2016年

2 朱旭東;BP網(wǎng)絡(luò)樣本數(shù)據(jù)預(yù)處理技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2015年

3 馬俊容;單訓(xùn)練樣本條件下人臉識別技術(shù)研究[D];湖南大學(xué);2009年

4 孫皓;無鑰匙進(jìn)入系統(tǒng)的設(shè)計和關(guān)鍵技術(shù)的研究[D];哈爾濱工業(yè)大學(xué);2009年

5 潘興江;Hadoop平臺下基于SVM主動學(xué)習(xí)的分類算法研究[D];華南理工大學(xué);2011年

6 文思;基于Hadoop的K近鄰分類算法的研究[D];華南理工大學(xué);2011年

，

本文編號：1903903