本文關(guān)鍵詞：基于混合高斯模型的腦—機(jī)接口系統(tǒng)腦電信號(hào)的分類研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：近年來(lái),伴隨著世界上人口老齡化速度的逐步加快、殘疾人數(shù)量的持續(xù)攀升,迫使人類要加快研究大腦科學(xué)的步伐.人類渴望通過研究腦科學(xué)和其相近的領(lǐng)域去克服人類身體的先天缺陷和后天造成的不足.人類希望可以實(shí)現(xiàn)直接用大腦的思維活動(dòng)信號(hào)和外界進(jìn)行交流,甚至能夠控制周圍的環(huán)境.腦-機(jī)接口(BCI)是能夠把這一夢(mèng)想變?yōu)楝F(xiàn)實(shí)的科學(xué)的、有效的途徑.人類希望通過深入地對(duì)腦-機(jī)接口這種新型的通信技術(shù)進(jìn)行研究,進(jìn)而能夠?qū)崿F(xiàn)人類控制器材、裝備和其它系統(tǒng),特別是為那些神經(jīng)肌肉受到損傷,以及不能使用常規(guī)交流手段的殘障人士提供了一種能夠與外界環(huán)境溝通的途徑.腦-機(jī)接口技術(shù)能夠?qū)崿F(xiàn)殘疾人和行動(dòng)存在困難的人與外界進(jìn)行自由通信.腦-機(jī)接口系統(tǒng)是一種全新的人機(jī)接口方式,是近年來(lái)腦科學(xué)研究的熱點(diǎn)課題.對(duì)于腦-機(jī)接口系統(tǒng)的研究,目前國(guó)際上主要有兩種形式,一類是研究無(wú)創(chuàng)式的腦-機(jī)接口,另一種是研究有創(chuàng)式的腦-機(jī)接口.由于無(wú)創(chuàng)式腦-機(jī)接口對(duì)被試者沒有傷害,所以應(yīng)用范圍廣,而無(wú)創(chuàng)式腦-機(jī)接口中的基于腦電信號(hào)(EEG)的腦-機(jī)接口又因?yàn)槠浜?jiǎn)單性和安全性備受國(guó)內(nèi)外研究者的關(guān)注.腦電信號(hào)的分類問題是腦-機(jī)接口系統(tǒng)的一個(gè)至關(guān)重要的過程,其分類的準(zhǔn)確率直接影響著腦-機(jī)接口系統(tǒng)的性能.目前常用的分類方法是貝葉斯(Bayes)線性分類器,其擅長(zhǎng)二分類問題,但在處理多類別腦電數(shù)據(jù)分類時(shí)效果不是很理想,算法執(zhí)行速度慢.為了避免出現(xiàn)這樣的問題,本文在前人研究成果的基礎(chǔ)上,提出了使用混合高斯模型(GMM),它能夠有效的處理多類別數(shù)據(jù)聚類問題,在對(duì)多類別腦電數(shù)據(jù)聚類時(shí),混合高斯模型假設(shè)每個(gè)高斯模型與一個(gè)類別相對(duì)應(yīng).本文首先選用主成分分析(PCA)方法對(duì)腦電數(shù)據(jù)進(jìn)行特征提取,把提取的主成分作為混合高斯模型聚類的特征對(duì)象；之后本文使用期望最大化(EM)算法對(duì)混合高斯模型的參數(shù)進(jìn)行估計(jì)；在模型聚類的準(zhǔn)確率方面,本文引入了匈牙利算法,使腦電數(shù)據(jù)能夠找到與之最優(yōu)匹配的高斯模型(類).文章最后分別給出了混合高斯模型和Bayes的分類結(jié)果,基于混合高斯模型(GMM)聚類的準(zhǔn)確率平均值達(dá)87.288%,而Bayes線性分類器的分類準(zhǔn)確率的平均值為74.501%,結(jié)果表明,帶匈牙利算法的混合高斯模型有效的提高了腦電信號(hào)聚類的準(zhǔn)確率,適合對(duì)多類別腦電信號(hào)聚類.
【關(guān)鍵詞】：腦-機(jī)接口系統(tǒng) 腦電數(shù)據(jù) 混合高斯模型 期望最大化算法 主成分分析 匈牙利算法
【學(xué)位授予單位】：哈爾濱師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TN911.7;R338
【目錄】：

• 摘要8-9
• Abstract9-11
• 第1章 緒論11-17
• 1.1 課題研究背景與意義11-14
• 1.1.1 腦-機(jī)界面原理12-14
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀14-15
• 1.3 本文主要工作與各章結(jié)構(gòu)安排15-16
• 1.4 本章小結(jié)16-17
• 第2章 BCI系統(tǒng)中的腦電信號(hào)17-27
• 2.1 腦電信號(hào)產(chǎn)生的神經(jīng)機(jī)理17-18
• 2.2 腦電信號(hào)的采集18-20
• 2.3 腦電信號(hào)的分類20-24
• 2.3.1 誘發(fā)腦電21-22
• 2.3.2 自發(fā)腦電22-24
• 2.3.3 誘發(fā)腦電與自發(fā)腦電的區(qū)別24
• 2.4 腦電信號(hào)的特點(diǎn)24-25
• 2.5 本章小結(jié)25-27
• 第3章 腦電信號(hào)預(yù)處理的PCA方法27-32
• 3.1 腦電信號(hào)的噪聲類型27
• 3.2 腦電信號(hào)去噪的處理方法27-28
• 3.3 PCA的基本原理28-31
• 3.4 本章小結(jié)31-32
• 第4章 腦電信號(hào)的分類技術(shù)32-42
• 4.1 混合高斯模型分類器32-35
• 4.1.1 混合高斯模型32-33
• 4.1.2 EM算法33-34
• 4.1.3 GMM的參數(shù)估計(jì)34-35
• 4.2 分配問題中的匈牙利算法35-38
• 4.2.1 分配問題36
• 4.2.2 分配問題的數(shù)學(xué)模型36-37
• 4.2.3 匈牙利算法的基本原理37-38
• 4.2.4 匈牙利算法的具體步驟38
• 4.3 Bayes分類器38-40
• 4.3.1 兩總體的Bayes分類器39-40
• 4.4 實(shí)例分析40-41
• 4.4.1 論文數(shù)據(jù)來(lái)源40
• 4.4.2 分類結(jié)果比較40-41
• 4.5 本章小結(jié)41-42
• 結(jié)論42-44
• 參考文獻(xiàn)44-48
• 攻讀碩士學(xué)位期間所發(fā)表的學(xué)術(shù)論文48-50
• 致謝50

【相似文獻(xiàn)】

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前4條

1 劉昊;趙龍;;基于改進(jìn)混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[A];2011年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第一分冊(cè)）[C];2011年

2 李瑩;顧宏斌;;運(yùn)動(dòng)目標(biāo)檢測(cè)方法的比較[A];2008通信理論與技術(shù)新發(fā)展——第十三屆全國(guó)青年通信學(xué)術(shù)會(huì)議論文集（下）[C];2008年

3 曹志剛;李宇成;;運(yùn)動(dòng)目標(biāo)的前景與背景實(shí)時(shí)分割[A];全國(guó)冶金自動(dòng)化信息網(wǎng)2010年年會(huì)論文集[C];2010年

4 陳丹;張峗;曾虹;李二濤;;基于視頻的智能交通信息檢測(cè)算法的研究[A];浙江省電子學(xué)會(huì)2008年學(xué)術(shù)年會(huì)論文集[C];2008年

  本文關(guān)鍵詞：基于混合高斯模型的腦—機(jī)接口系統(tǒng)腦電信號(hào)的分類研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：418756