本文關(guān)鍵詞：面向認知狀態(tài)識別的EEG特征提取方法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：腦機接口(BCI)是一種快速發(fā)展的新興技術(shù),其研究目的是建造一個人腦和計算機之間通信的直接通道。一個有效的BCI系統(tǒng)應(yīng)該包括三個步驟:一是記錄腦電(EEG)信號;二是從記錄的腦電信號中提取認知任務(wù)相關(guān)的特征或信息;三是將提取的信息轉(zhuǎn)換為一個控制命令。其中,特征提取是最為關(guān)鍵的一步。本文主要研究面向認知狀態(tài)識別的EEG特征提取方法。首先,本文設(shè)計了一個包含11種認知任務(wù)的認知實驗,采集了多名被試的腦電數(shù)據(jù),本數(shù)據(jù)集認知狀態(tài)種類豐富、數(shù)據(jù)分辨率高、數(shù)據(jù)量大,在國際上處于領(lǐng)先水平。其次,本文提出了一種基于時頻能量的公共空間模式(CSP)特征提取方法,與傳統(tǒng)的CSP方法相比,本文方法不但保留了時域方差特征,而且引入了頻域能量特征,在5任務(wù)認知狀態(tài)數(shù)據(jù)集上獲得了較高的識別率。本文面向BCI應(yīng)用中需要快速精準解析大腦認知狀態(tài)的問題,提出了一種CSP與非負矩陣分解(NMF)相結(jié)合的腦電特征提取方法。針對腦電信號通道多、數(shù)據(jù)量大、冗余嚴重等問題,首先利用CSP算法將原始信號投影到多個類別的差別最大化公共空間,然后計算反應(yīng)信號整體分布情況的時頻能量作為整體特征。其次利用NMF算法強大的局部表征能力,提取EEG信號的局部特異性特征,以提升不同類別信號的區(qū)分度。再將整體特征與局部特征進行融合后,最后采用支持向量機(SVM)作為分類器,在BCI2005Ⅳa競賽數(shù)據(jù)集上進行了測試實驗,獲得87.18%的識別準確率,優(yōu)于傳統(tǒng)的CSP及s CSP和KLCSP等改進方法。本文提出的方法為腦電信號的特征提取問題提供了一種新的理論框架。最后,本文以基于腦電信號的人類認知狀態(tài)分類識別為背景,研究一種基于F-score的特征評價與選擇的CSP構(gòu)建方法。利用F-score計算代價小、可以快速從高維數(shù)據(jù)中選擇出有效信息和特征的特性,實現(xiàn)對一種模式的重要程度做出定量表達;針對F-score閾值確定的難點問題,提出一種基于F-score積分演變趨勢的閾值自動確定方法;面對大數(shù)據(jù)應(yīng)用中信息冗余的問題,提出了一種基于最大相關(guān)最小冗余原則的F-score冗余信息剔除方法。針對傳統(tǒng)CSP方法無法自適應(yīng)實現(xiàn)的問題,提出了一種聯(lián)合CSP與F-score共同選擇重要模式的方法。本文提出的方法在腦認知活動解析實驗中,針對靜息、心算、信件腹稿、幾何旋轉(zhuǎn)、數(shù)字書寫想象等五類認知狀態(tài)取得了92%的識別準確率,在本文建立的多任務(wù)認知狀態(tài)數(shù)據(jù)集中,獲得了理想的效果。本文方法為腦電特征提取問題供了一個強有力的新工具。
【關(guān)鍵詞】：腦機接口 公共空間模式 非負矩陣分解 認知狀態(tài)識別 F-score
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：R338;TP391.41
【目錄】：

• 摘要4-6
• Abstract6-11
• 第1章 緒論11-17
• 1.1 課題背景、研究目的和意義11-12
• 1.2 腦認知狀態(tài)國內(nèi)外研究現(xiàn)狀12-15
• 1.2.1 國外研究現(xiàn)狀13-14
• 1.2.2 國內(nèi)研究現(xiàn)狀14
• 1.2.3 當(dāng)前研究存在的問題14-15
• 1.3 本文研究內(nèi)容及章節(jié)安排15-17
• 第2章 多任務(wù)認知狀態(tài)數(shù)據(jù)集的建立17-30
• 2.1 引言17-21
• 2.1.1 多任務(wù)認知狀態(tài)概述17-19
• 2.1.2 多任務(wù)認知狀態(tài)數(shù)據(jù)集實驗范式19-20
• 2.1.3 實驗過程描述20-21
• 2.2 多任務(wù)認知狀態(tài)數(shù)據(jù)處理21-25
• 2.2.1 腦電數(shù)據(jù)采集21-23
• 2.2.2 腦電數(shù)據(jù)預(yù)覽23
• 2.2.3 腦電數(shù)據(jù)預(yù)處理23-25
• 2.3 多任務(wù)認知狀態(tài)數(shù)據(jù)ERD/ERS分析25-26
• 2.4 頻帶劃分對識別結(jié)果的影響26-28
• 2.4.1 數(shù)據(jù)處理26-27
• 2.4.2 評價指標27
• 2.4.3 結(jié)果分析27-28
• 2.5 本章小結(jié)28-30
• 第3章 基于時頻能量的CSP腦電特征提取方法30-39
• 3.1 引言30
• 3.2 基于CSP的腦電特征提取方法30-32
• 3.3 基于F-score的腦電特征選擇方法32
• 3.4 基于時頻能量的CSP腦電特征選擇方法32-33
• 3.5 實驗與結(jié)果分析33-37
• 3.5.1 實驗數(shù)據(jù)集介紹33-35
• 3.5.2 評價指標35
• 3.5.3 頻帶劃分35
• 3.5.4 數(shù)據(jù)處理35-36
• 3.5.5 結(jié)果分析36-37
• 3.6 本章小結(jié)37-39
• 第4章 CSP與NMF相結(jié)合的腦電特征提取方法39-47
• 4.1 引言39
• 4.2 基于CSP與NMF的腦電特征提取方法39-40
• 4.3 基于CSP的公共模式空間構(gòu)建40
• 4.4 基于時頻能量的腦電整體特征提取方法40-41
• 4.5 基于NMF的腦電局部特征提取方法41-43
• 4.6 基于F-score的腦電特征選擇方法43
• 4.7 運動想象實驗數(shù)據(jù)處理與結(jié)果分析43-46
• 4.7.1 實驗數(shù)據(jù)集43
• 4.7.2 數(shù)據(jù)處理43-44
• 4.7.3 實驗結(jié)果分析44-46
• 4.8 本章小結(jié)46-47
• 第5章 基于F-score的大數(shù)據(jù)公共空間模式選擇方法47-58
• 5.1 引言47-48
• 5.2 基于F-score/CSP的公共模式選擇方法48-52
• 5.2.1 F-score_Area方法49-50
• 5.2.2 F-score_Area方法50-51
• 5.2.3 F-score/CSP方法51-52
• 5.3 基于F-score/CSP的公共模式選擇方法52-57
• 5.3.1 實驗數(shù)據(jù)集53
• 5.3.2 評價指標53
• 5.3.3 特征選擇效果比較53-54
• 5.3.4 F-score_Area方法對比實驗54-55
• 5.3.5 F-score_Delt方法對比實驗55-56
• 5.3.6 F-score/CSP方法對比實驗56-57
• 5.4 本章小結(jié)57-58
• 結(jié)論58-60
• 參考文獻60-66
• 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文66-68
• 致謝68

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 李建中;劉顯敏;;大數(shù)據(jù)的一個重要方面:數(shù)據(jù)可用性[J];計算機研究與發(fā)展;2013年06期

  本文關(guān)鍵詞：面向認知狀態(tài)識別的EEG特征提取方法研究，由筆耕文化傳播整理發(fā)布。

本文編號：394772