腦-機接口(Brain-Computer Interface,BCI)允許用戶利用大腦活動來控制獨立于周圍神經(jīng)和肌肉的外部設(shè)備。BCI系統(tǒng)通常使用大腦信號來收集用戶的意圖信息,而腦電圖(Electroencephalogram,EEG)是BCI系統(tǒng)中應(yīng)用最為廣泛的大腦信號。BCI技術(shù)給許多應(yīng)用領(lǐng)域帶來了革命性的變化,例如文本輸入系統(tǒng)、腦卒中患者康復(fù)訓(xùn)練系統(tǒng)、新型游戲控制、用戶心理狀態(tài)評估等。BCI技術(shù)的發(fā)展給嚴(yán)重行動障礙患者的日常生活帶來了極大的便利。分類算法直接影響了 BCI系統(tǒng)的實用性,是BCI系統(tǒng)的關(guān)鍵問題之一,本文著重對腦電分類算法進行探索。與傳統(tǒng)分類算法相比,超限學(xué)習(xí)機(Extreme Learning Machine,ELM)具有泛化能力強、學(xué)習(xí)速度快等優(yōu)點。本文以ELM為基礎(chǔ)分類器,同時引入稀疏學(xué)習(xí)、主動學(xué)習(xí),對ELM方法進行拓展研究,提高其分類性能,并應(yīng)用于BCI系統(tǒng)分類場景中。主要工作如下:(1)為了充分學(xué)習(xí)低信噪比的EEG信號的特征,提出基于Fisher判別的稀疏超限學(xué)習(xí)機算法,設(shè)計一種多層網(wǎng)絡(luò)結(jié)構(gòu),充分結(jié)合稀疏學(xué)習(xí)、超限學(xué)習(xí)機的優(yōu)勢,并將其應(yīng)用在BCI兩類及多分類...

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 BCI技術(shù)的研究現(xiàn)狀
        1.2.2 ELM方法的研究現(xiàn)狀
    1.3 本文的主要內(nèi)容和組織結(jié)構(gòu)
第2章 基礎(chǔ)理論介紹
    2.1 腦電信號分析
        2.1.1 腦電信號的概念及基本特征
        2.1.2 腦電信號的分析方法
    2.2 超限學(xué)習(xí)機
    2.3 稀疏學(xué)習(xí)
    2.4 主動學(xué)習(xí)
    2.5 本章小節(jié)
第3章 基于Fisher判別稀疏超限學(xué)習(xí)機的腦電分類研究
    3.1 引言
    3.2 基于Fisher判別稀疏超限學(xué)習(xí)機算法
    3.3 標(biāo)準(zhǔn)數(shù)據(jù)測試與分析
        3.3.1 數(shù)據(jù)集描述
        3.3.2 實驗設(shè)置
        3.3.3 相關(guān)算法比較
        3.3.4 不同參數(shù)對算法的影響
    3.4 腦電數(shù)據(jù)測試與分析
        3.4.1 腦電數(shù)據(jù)集描述
        3.4.2 實驗設(shè)置
        3.4.3 相關(guān)算法比較
    3.5 本章小節(jié)
第4章 基于雙規(guī)則主動超限學(xué)習(xí)機的多類腦電分類研究
    4.1 引言
    4.2 雙規(guī)則主動超限學(xué)習(xí)機算法
        4.2.1 不確定性策略
        4.2.2 多樣性策略
        4.2.3 雙規(guī)則主動超限學(xué)習(xí)機
    4.3 標(biāo)準(zhǔn)數(shù)據(jù)集測試與分析
        4.3.1 實驗設(shè)置
        4.3.2 相關(guān)算法比較及參數(shù)設(shè)置
        4.3.3 實驗結(jié)果
    4.4 腦電數(shù)據(jù)測試與分析
        4.4.1 腦電數(shù)據(jù)集描述
        4.4.2 實驗設(shè)置及參數(shù)選定
        4.4.3 相關(guān)算法比較
    4.5 實驗結(jié)果討論
    4.6 本章小節(jié)
第5章 總結(jié)與展望
    5.1 論文工作總結(jié)
    5.2 論文展望
致謝
參考文獻
附錄



本文編號：3863914