【摘要】：隨著人工智能、物聯(lián)網(wǎng)的發(fā)展,生物電信號(hào)中的眼電(EOG)已經(jīng)成為了當(dāng)今人機(jī)交互和醫(yī)學(xué)康復(fù)領(lǐng)域的熱點(diǎn)研究方向,在功能輔助和環(huán)境控制領(lǐng)域有廣闊的市場(chǎng)前景。傳統(tǒng)的EOG系統(tǒng)對(duì)于新受試者而言,需要該受試者進(jìn)行長(zhǎng)時(shí)間的離線訓(xùn)練以獲取分類(lèi)器模型,該過(guò)程耗時(shí)長(zhǎng),用戶體驗(yàn)差,不利于EOG系統(tǒng)的推廣。所以如何取消新受試者的漫長(zhǎng)訓(xùn)練階段具有很大研究?jī)r(jià)值。新受試者沒(méi)有參與離線訓(xùn)練,要求直接進(jìn)行在線實(shí)驗(yàn),可以利用其他受試者的實(shí)驗(yàn)數(shù)據(jù)訓(xùn)練模型,再將該模型用到新受試者上,這是遷移學(xué)習(xí)的問(wèn)題。本文從單源域的EOG遷移學(xué)習(xí)算法入手,再擴(kuò)展到多源域的遷移學(xué)習(xí)算法,最后設(shè)計(jì)了基于遷移學(xué)習(xí)的EOG系統(tǒng)。針對(duì)單源域的EOG遷移問(wèn)題,首先嘗試使用LDA和SVM兩種基礎(chǔ)分類(lèi)器直接進(jìn)行遷移,結(jié)果是SVM的遷移效果好于LDA。隨后引入測(cè)地線核(GFK)算法對(duì)源域和目標(biāo)域樣本進(jìn)行映射后再使用基礎(chǔ)分類(lèi)器進(jìn)行遷移,GFK顯著的提高了LDA的遷移效果,但是對(duì)SVM無(wú)明顯提升,所以對(duì)GFK算法進(jìn)行了改進(jìn),最后通過(guò)實(shí)驗(yàn)證明了改進(jìn)的GFK優(yōu)于原始GFK算法。針對(duì)多源域的EOG遷移問(wèn)題,首先嘗試使用集合策略,實(shí)驗(yàn)結(jié)果表明最適用于集合策略的基礎(chǔ)分類(lèi)器是KNN。對(duì)適用于多源域EOG遷移問(wèn)題的直推式參數(shù)遷移(TPT)算法進(jìn)行分析后,通過(guò)引入不同的個(gè)性分類(lèi)器獲取方法、不同的核矩陣計(jì)算公式、和不同的回歸算法對(duì)TPT算法進(jìn)行了改進(jìn)。結(jié)果證明改進(jìn)后的TPT算法相較于原始TPT算法取得了較大的提升。最后設(shè)計(jì)了一種基于遷移學(xué)習(xí)的EOG系統(tǒng),并利用云平臺(tái)解決了本地運(yùn)算力不足的問(wèn)題,對(duì)于新受試者來(lái)說(shuō),該系統(tǒng)完全不需要訓(xùn)練。系統(tǒng)在算法的選用上分為兩個(gè)階段,第一階段使用KNN-SVM,而當(dāng)系統(tǒng)中的云端接受到足夠多的受試者樣本后,進(jìn)入第二階段,轉(zhuǎn)而使用通過(guò)TPT算法得到的新受試者的模型,最后通過(guò)實(shí)驗(yàn)證實(shí)該系統(tǒng)了對(duì)于新受試者而言無(wú)需訓(xùn)練的可行性。
【圖文】：

圖 2-2 EOG 人機(jī)交互界面2.1 眼電信號(hào)采集無(wú)論是采集腦電還是采集眼電，都需要多個(gè)用于生物電位記錄的電極來(lái)獲取實(shí)時(shí)的電位變化，電極設(shè)計(jì)的宗旨是，一方面要電阻盡可能的低；另一方面是能夠長(zhǎng)期的使用，穩(wěn)定性好；一般可以選用金或者銀來(lái)制成電極，金和銀穩(wěn)定而且電阻低，但是相應(yīng)的價(jià)格較高；所以有很多電極是由 Ag/AgCl 混合制成，既能夠滿足導(dǎo)電性好，穩(wěn)定性好的要求，又能降低成本。電極制作完成之后需要貼在腦部皮膚上才能采集到眼電信號(hào)，而通常上層皮膚的導(dǎo)電性很差，所以需要在放置電極的皮膚上涂上基于氯化鈉制成的導(dǎo)電凝膠，導(dǎo)電凝膠導(dǎo)電性好而且因?yàn)槠錆舛容^低，不會(huì)造成皮膚刺激，所以可以安全使用。眼電采集的導(dǎo)聯(lián)方式有單級(jí)導(dǎo)聯(lián)方式和雙級(jí)導(dǎo)聯(lián)兩種方式，對(duì)于眨眼信號(hào)的分類(lèi)而言，只需單個(gè)通道垂直方向的眼電信號(hào)即可，，另外再加上兩個(gè)參考電極，一共只需三個(gè)

-SVM 后得到的平均準(zhǔn)確率達(dá)到了 91.27%，超過(guò)了 KNN法實(shí)驗(yàn) 30 位受試者的數(shù)據(jù)訓(xùn)練出 30 個(gè) SVM（Linear 核）分類(lèi)器類(lèi)超平面和截距拼接為參數(shù)向量，就可以得到一組 SVM 源域遷移實(shí)驗(yàn)以及本章對(duì)照組實(shí)驗(yàn)中在選取合適的 C 時(shí)擬合效果，而在此處，C 的選取將會(huì)更加注重?cái)M合效果，叉驗(yàn)證的策略。者眼電數(shù)據(jù)都是 150 維的，所以得到的分類(lèi)超平面w也是量后， 的維度變成了 151 維，記 每個(gè)維度上的數(shù)據(jù)為用這 30 個(gè) 151 維的向量分析每個(gè)特征維度之間的相關(guān)性相關(guān)系數(shù)，并取前 10 個(gè)維度特征兩兩之間的相關(guān)系數(shù)作
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：TN911.7;TP181

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 邵言劍;陶卿;姜紀(jì)遠(yuǎn);周柏;;一種求解強(qiáng)凸優(yōu)化問(wèn)題的最優(yōu)隨機(jī)算法[J];軟件學(xué)報(bào);2014年09期

2 陳世瑜;倪莉;呂釗;吳小培;;結(jié)合眼電和腦電的人-機(jī)交互系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J];計(jì)算機(jī)應(yīng)用;2014年05期

3 徐憲民;;單位球上再生核Hilbert空間的次正規(guī)性[J];數(shù)學(xué)學(xué)報(bào);2014年02期

4 姜偉;陸瑤;楊炳儒;;格拉斯曼流形上的半監(jiān)督判別分析[J];中國(guó)圖象圖形學(xué)報(bào);2013年08期

5 李勇周;羅大庸;劉少?gòu)?qiáng);;核嶺回歸的鄰域保持最大間隔分析的人臉識(shí)別[J];模式識(shí)別與人工智能;2010年01期

6 劉云鵬;李廣偉;史澤林;;基于黎曼流形的圖像投影配準(zhǔn)算法[J];自動(dòng)化學(xué)報(bào);2009年11期

7 王曉慧;;線性判別分析與主成分分析及其相關(guān)研究評(píng)述[J];中山大學(xué)研究生學(xué)刊(自然科學(xué)、醫(yī)學(xué)版);2007年04期

8 蘇高利;鄧芳萍;;關(guān)于支持向量回歸機(jī)的模型選擇[J];科技通報(bào);2006年02期

9 屈微,劉賀平,張海軍;基于KL散度的支持向量機(jī)方法及應(yīng)用研究[J];信息與控制;2005年05期

10 董士海;人機(jī)交互的進(jìn)展及面臨的挑戰(zhàn)[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2004年01期

相關(guān)博士學(xué)位論文 前2條

1 何盛鴻;基于EEG和EOG的異步人機(jī)接口及其應(yīng)用[D];華南理工大學(xué);2017年

2 徐立祥;模式識(shí)別核方法的理論研究及其應(yīng)用[D];安徽大學(xué);2017年

相關(guān)碩士學(xué)位論文 前2條

1 劉君;基于立體視覺(jué)刺激的腦機(jī)接口環(huán)境控制系統(tǒng)研究[D];華南理工大學(xué);2018年

2 陳柱兵;基于P300的高速字符輸入腦機(jī)接口研究[D];華南理工大學(xué);2017年

本文編號(hào)：2706145