本文關(guān)鍵詞：進化優(yōu)化算法在運動想象腦機接口中的應用研究，由筆耕文化傳播整理發(fā)布。

【摘要】：在基于運動想象的腦-機接口(BCI)中,共空域模式算法(CSP)能夠有效地提取腦電信號中可辨識的模式,因而得到廣泛使用。然而,CSP算法的性能嚴重依賴于受試者特定的參數(shù),包括用于分類的腦電信號時間段、頻帶和電極通道數(shù)。使用受試者特定的參數(shù)來提取腦電特征可以顯著地改善CSP的性能并提高BCI的分類正確率。本文使用二進制粒子群優(yōu)化(BPSO)和回溯搜索優(yōu)化(BSA)這兩種進化優(yōu)化算法,對受試者特定的參數(shù)進行單獨或聯(lián)合選擇,以便改進BCI系統(tǒng)的分類性能。為了解決頻帶優(yōu)化問題,本文提出了兩種結(jié)合CSP算法的進化優(yōu)化算法。在第一種算法中,寬帶(8-30Hz)腦電EEG信號被劃分為10個子帶(每個子帶寬4Hz,相互交疊2Hz),BPSO被用于挑選最優(yōu)的子帶(集合),在選擇的子帶上使用CSP算法進行空域濾波和特征提取;在第二種算法中,EEG信號的帶寬可在8-30Hz頻率范圍內(nèi)變化,頻帶的起始頻率與結(jié)束頻率由BSA算法進行選擇,在選擇的頻帶上使用CSP算法進行空域濾波和特征提取。使用這兩種方法對兩個數(shù)據(jù)集進行分類實驗,結(jié)果表明相對于傳統(tǒng)的寬帶(8-30Hz)CSP的方法,這兩種基于頻帶優(yōu)化的CSP方法都取得了一定的效果。通過比較兩種新的算法,BSA表現(xiàn)更佳,且收斂速度快。在對頻帶進行優(yōu)化的基礎(chǔ)上,本文還提出了一種使用BSA對頻帶和時間段進行聯(lián)合優(yōu)化的算法。本算法中EEG信號的濾波帶寬不固定,起始頻率與結(jié)束頻率可在8-30Hz范圍內(nèi)變化,而時間段的寬度固定為2s,數(shù)據(jù)的總時長為4s,故而起始點可在0-2s之間變化。時間段起始點、頻帶起始點以及頻帶結(jié)束點這三個參數(shù)由BSA算法進行聯(lián)合優(yōu)化。在選擇的頻帶和時間段上,使用CSP算法進行空域濾波和特征提取。與只進行頻帶優(yōu)化相比,聯(lián)合時-頻優(yōu)化取得了更高的分類正確率。針對導聯(lián)選擇對EEG分類的重要性,本文還提出了一種使用BSA對BCI通道進行選擇的算法。在對導聯(lián)的優(yōu)化中,以分類誤差率為目標函數(shù),選擇的導聯(lián)數(shù)目由BSA算法確定。使用兩個數(shù)據(jù)集進行了導聯(lián)選擇實驗。實驗結(jié)果表明,與全部導聯(lián)相比,選擇的導聯(lián)數(shù)目大幅度減少;且與使用全部導聯(lián)相比,使用選擇的導聯(lián)取得的分類正確率有了較大的提高。
【關(guān)鍵詞】：腦-機接口 共空域模式 頻帶優(yōu)化選擇 時-頻聯(lián)合優(yōu)化選擇 導聯(lián)選擇 二進制粒子群優(yōu)化 回溯搜索優(yōu)化算法
【學位授予單位】：南昌大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：R741;TN911.7
【目錄】：

• 摘要3-4
• ABSTRACT4-9
• 第1章 緒論9-20
• 1.1 腦機接口的研究背景9-10
• 1.2 腦機接.的研究意義及發(fā)展歷程10-11
• 1.3 腦機接.概述11-15
• 1.3.1 腦機接.基本原理及定義11-12
• 1.3.2 腦機接.的基本結(jié)構(gòu)12-14
• 1.3.3 腦機接.的類型14
• 1.3.4 腦機接.的性能評價14-15
• 1.4 腦機接.研究現(xiàn)狀及其應用15-19
• 1.4.1 國內(nèi)外腦機接.的研究現(xiàn)狀15-17
• 1.4.2 腦機接.的應用17-19
• 1.5 本文的主要內(nèi)容19-20
• 第2章 頭皮腦電EEG及其研究20-28
• 2.1 EEG的發(fā)現(xiàn)20-21
• 2.2 EEG的產(chǎn)生及其記錄方法21-22
• 2.3 EEG的類型22-24
• 2.3.1 自發(fā)EEG22-24
• 2.3.2 誘發(fā)EEG24
• 2.4 EEG的生理特點24-25
• 2.5 事件相關(guān)去同步/同步(ERD/ERS)25-28
• 第3章 運動想象EEG特征提取及分類28-37
• 3.1 共空域模式(CSP)算法28-30
• 3.2 CSP算法的局限及改進措施30-32
• 3.2.1 CSP算法的多類擴展30-31
• 3.2.2 CSP算法的其他改進31-32
• 3.3 特征的分類32-35
• 3.3.1 Fisher線性判別32-35
• 3.3.2 交叉驗證策略35
• 3.4 EEG的頻域分析35-37
• 第4章 進化優(yōu)化算法在BCI中的應用37-69
• 4.1 進化優(yōu)化算法37-39
• 4.1.1 二進制粒子群算法37-38
• 4.1.2 回溯搜索優(yōu)化算法38-39
• 4.2 實驗數(shù)據(jù)及預處理39-42
• 4.2.1 BCI competition III dataset IVa(五個人數(shù)據(jù)集)39-40
• 4.2.2 BCI competition IV dataset IIa (九個人數(shù)據(jù)集)40-42
• 4.3 頻帶優(yōu)化實驗設(shè)計42-46
• 4.3.1 基于BPSO的頻帶優(yōu)化42-44
• 4.3.2 基于BSA的頻帶優(yōu)化44-46
• 4.4 五個人數(shù)據(jù)10×5 交叉驗證分類結(jié)果46-51
• 4.4.1 BPSO-CSP實驗結(jié)果47-48
• 4.4.2 BSA方法實驗結(jié)果48-49
• 4.4.3 實驗結(jié)果分析49-51
• 4.5 九個人數(shù)據(jù)10×5 交叉驗證分類結(jié)果51-56
• 4.5.1 BPSO-CSP實驗結(jié)果52-53
• 4.5.2 BSA方法實驗結(jié)果53-54
• 4.5.3 實驗結(jié)果分析54-56
• 4.6 兩種進化優(yōu)化算法比較56-58
• 4.6.1 收斂性比較56
• 4.6.2 收斂速度比較56-57
• 4.6.3 與其他算法比較57-58
• 4.7 基于BSA的時頻聯(lián)合優(yōu)化58-64
• 4.7.1 實驗設(shè)計59-60
• 4.7.2 參數(shù)設(shè)定60-61
• 4.7.3 BSA聯(lián)合時-頻優(yōu)化的結(jié)果及分析61-63
• 4.7.4 組與組之間的轉(zhuǎn)換63-64
• 4.8 基于BSA的BCI導聯(lián)選擇64-69
• 4.8.1 算法設(shè)計及流程64-65
• 4.8.2 九個人數(shù)據(jù)實驗結(jié)果及分析65-67
• 4.8.3 五個人數(shù)據(jù)實驗結(jié)果及分析67-69
• 第5章 總結(jié)與展望69-71
• 5.1 論文工作總結(jié)69-70
• 5.2 未來工作展望70-71
• 致謝71-72
• 參考文獻72-76
• 攻讀學位期間的研究成果76

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前3條

1 沈敏;;腦-機接口技術(shù)綜述[J];重慶郵電大學學報(自然科學版);2007年S1期

2 王攀;沈繼忠;施錦河;;想象左右手運動的腦電特征提取[J];傳感技術(shù)學報;2010年09期

3 楊立才,李佰敏,李光林,賈磊;腦-機接口技術(shù)綜述[J];電子學報;2005年07期

  本文關(guān)鍵詞：進化優(yōu)化算法在運動想象腦機接口中的應用研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：315844