【摘要】：隨著人工智能、物聯(lián)網的發(fā)展,生物電信號中的眼電(EOG)已經成為了當今人機交互和醫(yī)學康復領域的熱點研究方向,在功能輔助和環(huán)境控制領域有廣闊的市場前景。傳統(tǒng)的EOG系統(tǒng)對于新受試者而言,需要該受試者進行長時間的離線訓練以獲取分類器模型,該過程耗時長,用戶體驗差,不利于EOG系統(tǒng)的推廣。所以如何取消新受試者的漫長訓練階段具有很大研究價值。新受試者沒有參與離線訓練,要求直接進行在線實驗,可以利用其他受試者的實驗數據訓練模型,再將該模型用到新受試者上,這是遷移學習的問題。本文從單源域的EOG遷移學習算法入手,再擴展到多源域的遷移學習算法,最后設計了基于遷移學習的EOG系統(tǒng)。針對單源域的EOG遷移問題,首先嘗試使用LDA和SVM兩種基礎分類器直接進行遷移,結果是SVM的遷移效果好于LDA。隨后引入測地線核(GFK)算法對源域和目標域樣本進行映射后再使用基礎分類器進行遷移,GFK顯著的提高了LDA的遷移效果,但是對SVM無明顯提升,所以對GFK算法進行了改進,最后通過實驗證明了改進的GFK優(yōu)于原始GFK算法。針對多源域的EOG遷移問題,首先嘗試使用集合策略,實驗結果表明最適用于集合策略的基礎分類器是KNN。對適用于多源域EOG遷移問題的直推式參數遷移(TPT)算法進行分析后,通過引入不同的個性分類器獲取方法、不同的核矩陣計算公式、和不同的回歸算法對TPT算法進行了改進。結果證明改進后的TPT算法相較于原始TPT算法取得了較大的提升。最后設計了一種基于遷移學習的EOG系統(tǒng),并利用云平臺解決了本地運算力不足的問題,對于新受試者來說,該系統(tǒng)完全不需要訓練。系統(tǒng)在算法的選用上分為兩個階段,第一階段使用KNN-SVM,而當系統(tǒng)中的云端接受到足夠多的受試者樣本后,進入第二階段,轉而使用通過TPT算法得到的新受試者的模型,最后通過實驗證實該系統(tǒng)了對于新受試者而言無需訓練的可行性。
【圖文】：

圖 2-2 EOG 人機交互界面2.1 眼電信號采集無論是采集腦電還是采集眼電，都需要多個用于生物電位記錄的電極來獲取實時的電位變化，電極設計的宗旨是，一方面要電阻盡可能的低；另一方面是能夠長期的使用，穩(wěn)定性好；一般可以選用金或者銀來制成電極，金和銀穩(wěn)定而且電阻低，但是相應的價格較高；所以有很多電極是由 Ag/AgCl 混合制成，既能夠滿足導電性好，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，而通常上層皮膚的導電性很差，所以需要在放置電極的皮膚上涂上基于氯化鈉制成的導電凝膠，導電凝膠導電性好而且因為其濃度較低，不會造成皮膚刺激，所以可以安全使用。眼電采集的導聯(lián)方式有單級導聯(lián)方式和雙級導聯(lián)兩種方式，對于眨眼信號的分類而言，只需單個通道垂直方向的眼電信號即可，，另外再加上兩個參考電極，一共只需三個

-SVM 后得到的平均準確率達到了 91.27%，超過了 KNN法實驗 30 位受試者的數據訓練出 30 個 SVM（Linear 核）分類器類超平面和截距拼接為參數向量，就可以得到一組 SVM 源域遷移實驗以及本章對照組實驗中在選取合適的 C 時擬合效果，而在此處，C 的選取將會更加注重擬合效果，叉驗證的策略。者眼電數據都是 150 維的，所以得到的分類超平面w也是量后， 的維度變成了 151 維，記 每個維度上的數據為用這 30 個 151 維的向量分析每個特征維度之間的相關性相關系數，并取前 10 個維度特征兩兩之間的相關系數作
【學位授予單位】：華南理工大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TN911.7;TP181

【參考文獻】

相關期刊論文 前10條

1 邵言劍;陶卿;姜紀遠;周柏;;一種求解強凸優(yōu)化問題的最優(yōu)隨機算法[J];軟件學報;2014年09期

2 陳世瑜;倪莉;呂釗;吳小培;;結合眼電和腦電的人-機交互系統(tǒng)設計與實現[J];計算機應用;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];數學學報;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];中國圖象圖形學報;2013年08期

5 李勇周;羅大庸;劉少強;;核嶺回歸的鄰域保持最大間隔分析的人臉識別[J];模式識別與人工智能;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算法[J];自動化學報;2009年11期

7 王曉慧;;線性判別分析與主成分分析及其相關研究評述[J];中山大學研究生學刊(自然科學、醫(yī)學版);2007年04期

8 蘇高利;鄧芳萍;;關于支持向量回歸機的模型選擇[J];科技通報;2006年02期

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

10 董士海;人機交互的進展及面臨的挑戰(zhàn)[J];計算機輔助設計與圖形學學報;2004年01期

相關博士學位論文 前2條

1 何盛鴻;基于EEG和EOG的異步人機接口及其應用[D];華南理工大學;2017年

2 徐立祥;模式識別核方法的理論研究及其應用[D];安徽大學;2017年

相關碩士學位論文 前2條

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

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

本文編號：2706145