本文關(guān)鍵詞：基于AR模型的腦電信號(hào)特征提取與識(shí)別，由筆耕文化傳播整理發(fā)布。

中南大學(xué) 碩士學(xué)位論文 基于AR模型的腦電信號(hào)特征提取與識(shí)別 姓名：鄒清 申請(qǐng)學(xué)位級(jí)別：碩士 專業(yè)：生物醫(yī)學(xué)工程 指導(dǎo)教師：湯井田 座機(jī)電話號(hào)碼 摘要 腦一機(jī)接口因其廣闊的應(yīng)用價(jià)值和前景成為近年來(lái)腦科學(xué)、康復(fù) 工程、自動(dòng)控制、軍事領(lǐng)域和生物醫(yī)學(xué)工程等領(lǐng)域的熱門(mén)研究課題。 腦電信號(hào)的處理過(guò)程是研究過(guò)程中的重點(diǎn)和難點(diǎn)。 本文將腦電信號(hào)中事件去同步化／相同步化現(xiàn)象作為特征信息， 深入討論了基于AR模型的自適應(yīng)算法 AAR 和多變量參數(shù)AAR模 型算法 MVAAR 在腦電信號(hào)特征提取中的應(yīng)用。介紹多種對(duì)模型系 數(shù)進(jìn)行估計(jì)的方法，采用卡爾曼濾波方法和快速Q(mào)R分解分別對(duì) AAR、MVAAR模型進(jìn)行系數(shù)估計(jì)，以最大化顯現(xiàn)腦電信號(hào)中的特征 信息。采用線性分析、基于馬氏距離分類和留一法三種分類器分別進(jìn) 行任務(wù)識(shí)別。引入了互信息，kappa值，ROC曲線下面積值的概念對(duì) 分類效果進(jìn)行性能評(píng)價(jià)。 從實(shí)驗(yàn)結(jié)果上看，MVAAR算法比AAR算法達(dá)到了更高的分類 正確率。AAR模型很好地描述了EEG信號(hào)的非平穩(wěn)隨機(jī)特征， MVAAR算法識(shí)別法主觀性較小，階次一般選取也比較低，數(shù)據(jù)仿真 吻合度高，實(shí)現(xiàn)多導(dǎo)聯(lián)數(shù)據(jù)的輸入，具有更強(qiáng)的通用性。傳統(tǒng)的線性 分類、基于馬氏距離的二次分類，留一法分類都達(dá)到了很好的效果， 但也各有優(yōu)缺點(diǎn)。LDA和MDA算法都是只由數(shù)據(jù)的均值和協(xié)方差決 定的，當(dāng)兩類的協(xié)方差矩陣差別較大時(shí)，LDA方法則會(huì)表現(xiàn)出較大 的偏差，而MDA方法則會(huì)表現(xiàn)出較好的結(jié)果。留一法的原理簡(jiǎn)單， 容易實(shí)現(xiàn)，但如果當(dāng)實(shí)驗(yàn)數(shù)據(jù)龐大時(shí)，計(jì)算量和計(jì)算時(shí)間將會(huì)是我們 必須考慮的問(wèn)題。不同對(duì)象因?yàn)閭�(gè)體的區(qū)別和測(cè)試反饋時(shí)間段的不 同，對(duì)其使用同一組算法分

  本文關(guān)鍵詞：基于AR模型的腦電信號(hào)特征提取與識(shí)別，由筆耕文化傳播整理發(fā)布。