本文關(guān)鍵詞：基于小波包分解的腦電信號分類方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：腦電接口(Brain-Computer Interfaces,BCI)為腦和外界提供了直接的交流工具,已經(jīng)被學(xué)者們廣泛研究。腦電信號(electroencephalogram,EEG)因?yàn)檠芯砍杀镜投蔀檠芯緽CI的主要數(shù)據(jù)來源。因此,EEG在生活和科學(xué)研究中扮演重要角色。對于BCI的研究,EEG的不穩(wěn)定性和非線性為其帶來了巨大的挑戰(zhàn)與困難。從原始信號中提取有效的特征對分類起著至關(guān)重要的作用。特征提取和特征分類是腦電信號處理的主要內(nèi)容。特征提取可以采用某種單一的算法,比如自回歸模型、樣本熵、近似熵、小波包分解、快速傅里葉變換、希爾伯特變換等;也可以是兩種算法的結(jié)合,比如經(jīng)驗(yàn)?zāi)B(tài)分解和固有模態(tài)函數(shù)的結(jié)合、階段封鎖值和希爾伯特變換、小波和熵的結(jié)合等。本文針對各特征提取算法和分類器展開研究,主要工作如下:1.單一算法提取特征。本文對單一特征提取算法進(jìn)行了實(shí)驗(yàn)對比,特征提取算法分別采用了樣本熵和自回歸模型,分類器采用了支持向量機(jī),并對參數(shù)進(jìn)行了尋優(yōu)。在五種思維數(shù)據(jù)集上進(jìn)行了驗(yàn)證,實(shí)驗(yàn)結(jié)果表明,兩種特征提取方法的處理時(shí)間短,相比于樣本熵選取參數(shù)的繁瑣,自回歸模型取得了更好的分類結(jié)果。2.兩種算法結(jié)合提取特征。針對EEG信號的非穩(wěn)定和非線性特性,本文提出了一種新的腦電信號分類方法,以提高分類準(zhǔn)確率和處理時(shí)間。本文將小波包分解和樣本熵結(jié)合起來,提出了一種基于小波包分解的樣本熵特征提取方法。在分類器的選擇上,該方法運(yùn)用了極限學(xué)習(xí)機(jī)。為了驗(yàn)證提出方法的有效性,本文做了大量的對比實(shí)驗(yàn),與下列方法進(jìn)行了對比:基于小波包分解的近似熵為特征提取方法,極限學(xué)習(xí)機(jī)為分類器;基于小波包分解的樣本熵為特征提取方法,支持向量機(jī)為分類器。實(shí)驗(yàn)在癲癇數(shù)據(jù)集和五種思維數(shù)據(jù)集上分別進(jìn)行了驗(yàn)證。實(shí)驗(yàn)結(jié)果表明本文提出的特征提取方法取得了較好的分類性能,具有較高的分類精度和較少的訓(xùn)練時(shí)間。
【關(guān)鍵詞】：分類 特征提取 小波包分解 支持向量機(jī) 極限學(xué)習(xí)機(jī) 腦電信號
【學(xué)位授予單位】：遼寧師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TN911.7
【目錄】：

• 摘要4-5
• Abstract5-9
• 1 緒論9-15
• 1.1 研究背景及意義9-11
• 1.2 國內(nèi)外現(xiàn)狀11-13
• 1.2.1 國外現(xiàn)狀11-12
• 1.2.2 國內(nèi)現(xiàn)狀12-13
• 1.3 本文的主要研究內(nèi)容13-14
• 1.4 本文結(jié)構(gòu)框架14-15
• 2 相關(guān)工作15-26
• 2.1 腦電信號特征提取的方法15-20
• 2.1.1 近似熵15-16
• 2.1.2 樣本熵16-17
• 2.1.3 自回歸模型17-19
• 2.1.4 小波包分解19-20
• 2.2 分類方法20-22
• 2.2.1 支持向量機(jī)20-21
• 2.2.2 極限學(xué)習(xí)機(jī)21-22
• 2.3 有效性評價(jià)指標(biāo)22-26
• 3 基于SampEn和AR的腦電信號分類26-38
• 3.1 引言26
• 3.2 五種思維任務(wù)數(shù)據(jù)來源26-27
• 3.3 算法設(shè)計(jì)與描述27-31
• 3.3.1 算法描述27-28
• 3.3.2 去噪28-29
• 3.3.3 特征提取29-31
• 3.4 實(shí)驗(yàn)結(jié)果及分析31-37
• 3.4.1 基于SampEn的特征提取方法分析31-34
• 3.4.2 基于AR的特征提取方法分析34-37
• 3.5 小結(jié)37-38
• 4 基于小波包分解的樣本熵和極限學(xué)習(xí)機(jī)的腦電信號分類方法38-53
• 4.1 引言38
• 4.2 癲癇數(shù)據(jù)來源38-39
• 4.3 算法設(shè)計(jì)與描述39-41
• 4.4 特征提取方法參數(shù)的選取41-45
• 4.4.1 樣本熵與近似熵標(biāo)準(zhǔn)差的選取41-43
• 4.4.2 小波基與分解層數(shù)的選取43-45
• 4.5 實(shí)驗(yàn)結(jié)果及分析45-52
• 4.5.1 基于癲癇信號的實(shí)驗(yàn)分析45-49
• 4.5.2 基于五種思維任務(wù)的實(shí)驗(yàn)分析49-52
• 4.6 小結(jié)52-53
• 5 結(jié)論與展望53-55
• 參考文獻(xiàn)55-60
• 攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況60-61
• 致謝61

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 南楠;周強(qiáng);楊輝;王瑩;;基于小波包分解的陶瓷裂紋灰色診斷[J];信息與控制;2011年01期

2 王志剛,楊曉元,王育民,秦晴;基于小波包分解和支持向量機(jī)的圖像隱秘檢測算法[J];計(jì)算機(jī)工程;2005年01期

3 歐陽喜,葛臨東;一種基于小波包分解提高數(shù)字幅相調(diào)制抗干憂性能的方法[J];信息工程學(xué)院學(xué)報(bào);1998年02期

4 許慰玲,黃靜霞,沈民奮;基于小波包分解的時(shí)變腦電節(jié)律提取[J];數(shù)據(jù)采集與處理;2004年01期

5 何冬梅,高文;基于小波包分解復(fù)雜度可分級的音頻編碼算法[J];高技術(shù)通訊;2000年11期

6 范海寧,郭英,吳劍鋒,陳志武;基于小波包分解的聲信號特征提取方法[J];現(xiàn)代電子技術(shù);2005年04期

7 錢蘇翔;楊世錫;焦衛(wèi)東;胡紅生;;基于獨(dú)立分量分析與小波包分解的混疊聲源信號波形恢復(fù)[J];中國機(jī)械工程;2010年24期

8 宋友,柳重堪,李其漢;基于小波包分解的早期碰摩故障診斷研究[J];北京航空航天大學(xué)學(xué)報(bào);2003年01期

9 張立;趙福才;;基于小波包分解和支持向量機(jī)的人臉識別[J];通信技術(shù);2006年S1期

10 唐昌令;彭國華;;基于小波包分解的整體變分去噪算法[J];計(jì)算機(jī)工程與應(yīng)用;2013年06期

中國重要會議論文全文數(shù)據(jù)庫 前7條

1 范海寧;郭英;吳劍鋒;陳志武;;基于小波包分解的聲信號特征提取方法[A];信號與信息處理技術(shù)第三屆信號與信息處理全國聯(lián)合學(xué)術(shù)會議論文集[C];2004年

2 陳光軍;胡昌華;任章;周志杰;;小波包分解在慣性器件故障診斷中應(yīng)用研究[A];2004全國測控、計(jì)量與儀器儀表學(xué)術(shù)年會論文集（下冊）[C];2004年

3 張志猛;李永剛;張建忠;;基于小波包分解的發(fā)電機(jī)轉(zhuǎn)子繞組匝間短路故障檢測[A];中國高等學(xué)校電力系統(tǒng)及其自動化專業(yè)第二十四屆學(xué)術(shù)年會論文集（中冊）[C];2008年

4 羅忠;孫偉;張帥;韓清凱;;基于小波包分解的不對中轉(zhuǎn)子系統(tǒng)的振動特征分析[A];第9屆全國轉(zhuǎn)子動力學(xué)學(xué)術(shù)討論會ROTDYN'2010論文集[C];2010年

5 趙池航;周百令;李坤宇;趙立業(yè);;小波包分解在高精度海洋重力儀數(shù)據(jù)處理中的應(yīng)用研究[A];中國慣性技術(shù)學(xué)會第五屆學(xué)術(shù)年會論文集[C];2003年

6 王志剛;呂勇;李友榮;李方;;基于自適應(yīng)諧波小波包分解的齒輪故障診斷方法[A];第六屆全國信息獲取與處理學(xué)術(shù)會議論文集（2）[C];2008年

7 付博志;張鴻賓;;基于MPEG-I和小波包分解的語音特征提取[A];2008'中國信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（二）[C];2008年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前4條

1 魏翔;基于小波包分解和布谷鳥算法的最小二乘支持向量機(jī)風(fēng)速預(yù)測模型的研究與應(yīng)用[D];蘭州大學(xué);2015年

2 胡維;不同水溫浸泡后花崗巖聲發(fā)射特征及其信號識別[D];江西理工大學(xué);2015年

3 張玉婷;基于小波包分解的腦電信號分類方法研究[D];遼寧師范大學(xué);2015年

4 付博志;基于MPEG-1和小波包分解的說話人識別[D];北京工業(yè)大學(xué);2008年

  本文關(guān)鍵詞：基于小波包分解的腦電信號分類方法研究，，由筆耕文化傳播整理發(fā)布。

本文編號：321067