隨著智能設(shè)備的發(fā)展,基于生物電信號(hào)的自然人機(jī)交互（natural Human Machine Interaction,nHMI）方式成為研究人機(jī)交互領(lǐng)域中的熱點(diǎn)問題。其中,基于腦電圖信號(hào)（Electroencephalogram,EEG）和表面肌電信號(hào)（surface Electromyogram,sEMG）的生物電信號(hào)交互方式,作為近二十年來快速發(fā)展的一種新型人機(jī)交互方式,具有信號(hào)發(fā)生機(jī)理和運(yùn)動(dòng)意圖高度耦合、互為因果的優(yōu)勢(shì),在人機(jī)交互領(lǐng)域有著廣闊的發(fā)展前景。本文主要研究以腦電圖信號(hào)和表面肌電信號(hào)為媒介的自然交互控制問題中的大腦意圖識(shí)別和上肢手勢(shì)姿態(tài)識(shí)別關(guān)鍵技術(shù)問題。具體工作如下:（1）腦電圖信號(hào)采集方案設(shè)計(jì)和系統(tǒng)實(shí)現(xiàn)。通過分析腦電圖信號(hào)和大腦皮層功能分布,設(shè)計(jì)了針對(duì)四類運(yùn)動(dòng)想象的電極放置方案和運(yùn)動(dòng)激活范式,實(shí)現(xiàn)了3名實(shí)驗(yàn)對(duì)象的運(yùn)動(dòng)想象腦電信號(hào)采集,為研究以腦電圖信號(hào)為媒介的自然交互控制系統(tǒng)提供有效數(shù)據(jù)獲取的方法。（2）腦電信號(hào)中眼電偽跡的自適應(yīng)去除。通過分析ICA算法不能自適應(yīng)選擇眼電偽跡成分和CCICA算法需要額外眼電通道等問題后,提出了一種基于EMD-CCICA自動(dòng)去除眼電偽跡的... 

【文章來源】：南京林業(yè)大學(xué)江蘇省

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

單個(gè)通道的時(shí)域特征相關(guān)系數(shù)矩陣圖

43征，本文選取MAV、PK、SF、ZCR這四種特征作為最終分類器分析的時(shí)域特征。時(shí)域特征降維后，需要分析時(shí)域、頻域、時(shí)頻域和空域的多域特征對(duì)四類運(yùn)動(dòng)想象任務(wù)是否具有類間可分性。為了說明并了解多域特征的分類性能，本文使用K=3的KNN分類器的對(duì)多域特征進(jìn)行訓(xùn)練分類，分類準(zhǔn)確率如圖4-12所示。從圖4-12中可以看出，對(duì)于60導(dǎo)電極的四類運(yùn)動(dòng)想象信號(hào)，空域特征具有最高分類準(zhǔn)確率，時(shí)頻域特征準(zhǔn)確率最低�；谝粚�(duì)多CSP算法的EEG信號(hào)空域分析，可以有效提取EEG信號(hào)中時(shí)間和空間變化信息，因此多域特征中空域特征值具有最好的表征性能。圖4-12單域特征分類準(zhǔn)確率(KNN分類器：K=3)Fig.4-12Singledomainfeatureclassificationaccuracyrate(KNNclassifier:K=3)使用分類器算法對(duì)EEG信號(hào)多域特征進(jìn)行類別判定是BCI系統(tǒng)中信號(hào)分析的最后一個(gè)模塊，優(yōu)質(zhì)的分類器對(duì)于分類準(zhǔn)確率而言是至關(guān)重要的。為了有效評(píng)估6種分類器對(duì)運(yùn)動(dòng)意圖識(shí)別的性能，本文使用網(wǎng)格搜索法搜索各個(gè)分類器預(yù)定義的超參數(shù)組合，并結(jié)合5折交叉驗(yàn)證法分析各個(gè)超參數(shù)組合的性能，最后選取最佳的超參數(shù)以及參數(shù)對(duì)應(yīng)的分類器算法作為最終的分類器。交叉驗(yàn)證法能夠提高分類器算法對(duì)數(shù)據(jù)集的泛化能力避免過擬合現(xiàn)象，原理是將數(shù)據(jù)集分為5等份，每次選取其中的4份作為訓(xùn)練集，剩余的第5份作為測(cè)試集并得出分類器分類結(jié)果，5折交叉驗(yàn)證法實(shí)驗(yàn)方法示意圖如圖4-13所示。訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集測(cè)試集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集測(cè)試集測(cè)試集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集測(cè)試集測(cè)試集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集測(cè)試集測(cè)試集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集測(cè)試集測(cè)試集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集訓(xùn)練集測(cè)試?

44待評(píng)估的6種分類器網(wǎng)格搜索超參數(shù)集合如表4.1所示。表4.16種分類器超參數(shù)搜索集合Table4.16typesofclassifierhyperparametersearchcollection分類器超參數(shù)超參數(shù)搜索集合樸素貝葉斯(NB)無無線性分類器(LDA)無無K近鄰(KNN)K{1,3,5,,21}支持向量機(jī)(SVM-RBF)Cγ{2,=10,9,,30}{2,=30,19,,0}決策樹(DT)樹的最大深度{1,2,,100}人工神經(jīng)網(wǎng)絡(luò)(ANN)神經(jīng)元個(gè)數(shù){10,20,30,40,50}對(duì)表4.1中四類分類器算法進(jìn)行交叉驗(yàn)證獲取最優(yōu)的超參數(shù)，超參數(shù)網(wǎng)格搜索結(jié)果如圖4-14(KNN)、圖4-15(SVM-RBF核)、圖4-16(DT)和圖4-17(ANN)所示，其圖中所標(biāo)示準(zhǔn)確率為最優(yōu)超參數(shù)平均交叉驗(yàn)證準(zhǔn)確率，圖中所標(biāo)示的數(shù)字為最高準(zhǔn)確率。圖4-14KNN超參數(shù)網(wǎng)格搜索結(jié)果圖Fig.4-14KNNhyperparametergridsearchresults


本文編號(hào)：3515449