本文選題：支持向量機(jī)(SVM)　切入點(diǎn)：腦電信號(hào)(EEG)　出處：《重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版)》2014年01期 　論文類型：期刊論文

【摘要】：腦電信號(hào)(electroencephalograph,EEG)由于自身信號(hào)微弱且容易受到周邊環(huán)境和大腦內(nèi)部其他活動(dòng)的影響,對(duì)其進(jìn)行特征分類并提高分類準(zhǔn)確率這一問題一直是腦機(jī)接口領(lǐng)域的難點(diǎn)。傳統(tǒng)的基于支持向量機(jī)(support vector machines,SVM)的腦電信號(hào)特征分類方法在選取懲罰參數(shù)與核函數(shù)參數(shù)時(shí)大都只是采用經(jīng)驗(yàn)數(shù)據(jù),而忽略了參數(shù)優(yōu)化對(duì)提升SVM分類效果重要性,而現(xiàn)有的參數(shù)優(yōu)化方法計(jì)算復(fù)雜嚴(yán)重影響了分類效率。針對(duì)以上問題,提出了一種通過交叉檢驗(yàn)和LOO誤差上界對(duì)C-SVM中的懲罰參數(shù)C和核函數(shù)參數(shù)進(jìn)行優(yōu)化的方法,并在理論分析的基礎(chǔ)上結(jié)合實(shí)驗(yàn)證明了參數(shù)優(yōu)化后的分類方法能夠有效提高腦電信號(hào)分類的準(zhǔn)確率且對(duì)分類效率影響不大。
[Abstract]:Electroencephalography (EGG) is an electroencephalography (EEG) signal that is weak and vulnerable to the effects of its surroundings and other activities within the brain. The problem of feature classification and improvement of classification accuracy is always a difficulty in the field of BCI. The traditional feature classification method of EEG based on support vector machine support vector machines is used to select penalty parameters and kernel function parameters. Most of the time is based on empirical data. The importance of parameter optimization in improving the classification effect of SVM is ignored, and the complexity of existing parameter optimization methods seriously affects the classification efficiency. A method of optimizing penalty parameter C and kernel function parameter in C-SVM by cross test and LOO error upper bound is proposed. On the basis of theoretical analysis and experiments, it is proved that the optimized classification method can effectively improve the accuracy of EEG classification and has little effect on the classification efficiency.
【作者單位】： 重慶郵電大學(xué)智能系統(tǒng)及智能機(jī)器人研究所;
【基金】：科技部國(guó)際合作項(xiàng)目(2010DFA12160)~~
【分類號(hào)】：TP18;R318

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 徐寶國(guó);宋愛國(guó);王愛民;;基于小波包能量的腦電信號(hào)特征提取方法[J];東南大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年06期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 冀翔;夏潔;;基于短時(shí)傅里葉變換的飛控縱向頻域等效擬配[J];北京航空航天大學(xué)學(xué)報(bào);2011年07期

2 李新;張明霞;張從力;胡偉宣;;基于綜合門限值小波包去除變壓器局部放電白噪聲[J];變壓器;2006年12期

3 徐錚偉;王世煜;劉財(cái);張猛;劉冰;王睿;;小波變換多尺度分解系數(shù)閾值選擇在一維去噪的應(yīng)用[J];吉林大學(xué)學(xué)報(bào)(地球科學(xué)版);2007年S1期

4 孔德明;練秋生;;一種基于小波變換的最小二乘復(fù)頻域法的改進(jìn)方法[J];燕山大學(xué)學(xué)報(bào);2009年05期

5 賈春玉;單修迎;劉宏民;;一種基于小波消噪技術(shù)的平直度模式識(shí)別方法[J];燕山大學(xué)學(xué)報(bào);2011年01期

6 徐道一;張海峰;韓延本;尹志強(qiáng);李保利;姚益民;;陸相沉積的天文地層研究方法簡(jiǎn)介——以井下地層為例[J];地層學(xué)雜志;2007年S2期

7 原美琳;李和明;李永剛;;用于局部放電信號(hào)提取的Daubechies復(fù)小波研究[J];電力科學(xué)與工程;2009年10期

8 楊淑英;袁寶;;基于反向行波的小電流接地系統(tǒng)故障定位[J];電力科學(xué)與工程;2011年06期

9 徐湘憶;盛戈v，

本文編號(hào)：1584736