本文關(guān)鍵詞：基于稀疏度量的運動想象腦電特征提取和模式識別算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：對大腦的保護和信息挖掘是21世紀科技的熱門研究課題,而“腦功能的研究”是“了解腦”的基本途徑。腦電圖(Electroencephalography,EEG)具有較高的時間分辨率,可以在毫秒量級的尺度上的記錄大腦信息的處理過程,從而決定了其在腦功能信息挖掘中的重要地位。目前,基于腦電的腦-機接口技術(shù)已經(jīng)在醫(yī)療和娛樂領(lǐng)域得到了廣泛的應(yīng)用和發(fā)展。然而,從腦電放大器采集到的腦電信號往往具有非平穩(wěn)性,且樣本維度通常遠遠大于樣本個數(shù),包含了較多的異常值(Outliers)。特別是在腦-機接口領(lǐng)域,這類問題表現(xiàn)得更為突出。因此,在分析前常常需要預(yù)先提取相應(yīng)的特征以實現(xiàn)數(shù)據(jù)樣本的降維。當前,一些經(jīng)典的腦電特征提取和模式識別方法如:共空間模式識別,主成分分析,線性判別分析等都是基于L2模的數(shù)值求解方法。由l2范數(shù)導(dǎo)出的求解方法雖然具有很好的平滑性,但不具備稀疏性,并且容易受到Outliers的影響,這些干擾會阻礙腦電信號的后續(xù)分析研究。從統(tǒng)計學(xué)的角度看,基于lp范數(shù)框架設(shè)計出的算法比l2范數(shù)對Outliers的抑制有明顯的優(yōu)勢。因此,發(fā)展基于稀疏度量方法的腦電研究系統(tǒng)具有重大的理論和實踐意義。本文針對腦電信號采集過程中引入的Outliers,對基于l2范數(shù)的經(jīng)典特征提取和模式識別方法進行改進,發(fā)展相應(yīng)的方法抑制Outliers影響,最終構(gòu)建基于相關(guān)方法的穩(wěn)健腦-機接口在線系統(tǒng)。主要內(nèi)容如下:1.特征提取:基于最小2乘估計(least squares estimation,LES)的腦電特征容易擴大Outliers的影響,從而扭曲特征對樣本的反映。本工作中針對該問題,將基于l1范數(shù)的奇異值分解方法(L1-SVD)應(yīng)用到共空間模式分析(Common Spatial Pattern,CSP)中,替換原有基于SVD分解的特征向量求解,從而實現(xiàn)對Outliers較好的抑制。仿真和真實運動想象數(shù)據(jù)的特征提取結(jié)果,證實了發(fā)展方法良好的噪聲抑制能力。2.模式識別:在模式識別中,一些基于l2范數(shù)結(jié)構(gòu)的方法也容易受到Outliers的影響,從而影響分類超平面的投影方向。本工作將基于lp范數(shù)的度量空間應(yīng)用到線性判別分析算法中,替換原有基于l2范數(shù)的廣義瑞利商。將發(fā)展的模式識別方法用于仿真數(shù)據(jù)、真實運動想象數(shù)據(jù)、基因數(shù)據(jù)、人臉識別數(shù)據(jù)以及模式識別標準數(shù)據(jù)庫中的數(shù)據(jù),與其他線性判別分析方法相比獲得了較高的識別準確率,結(jié)果證明新發(fā)展的方法能夠訓(xùn)練出對Outlier有較強抑制作用的分類器,并具有較高的普適性。
【關(guān)鍵詞】：腦電 腦-機接口 lp范數(shù) 特征提取 模式識別
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：R741.044;TP391.4
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 緒論10-16
• 1.1 國內(nèi)外研究現(xiàn)狀和發(fā)展趨勢10-13
• 1.1.1 稀疏理論的研究背景及應(yīng)用10-11
• 1.1.2 基于腦電的腦-機接口技術(shù)11-12
• 1.1.2.1 基于大腦活動節(jié)律的腦-機接口11-12
• 1.1.2.2 基于事件相關(guān)電位的腦-機接口12
• 1.1.2.3 基于ERD以及ERS的腦-機接口12
• 1.1.3 腦電中的特征提取及模式識別方法12-13
• 1.2 本文的主要工作13-14
• 1.3 本論文的結(jié)構(gòu)安排14-16
• 第二章 稀疏優(yōu)化理論基礎(chǔ)16-21
• 2.1 稀疏表示綜述16-18
• 2.1.1 匹配追蹤算法16-17
• 2.1.2 正交匹配追蹤算法17
• 2.1.3 基于l_p范數(shù)的稀疏優(yōu)化17-18
• 2.2 l_1范數(shù)研究綜述18-20
• 2.3 本章小結(jié)20-21
• 第三章 基于l_1范數(shù)極大化奇異值分解的共空間模式識別分析21-34
• 3.1 基于共空間模式分析的特征提取21-24
• 3.1.1 共空間模式基本理論21
• 3.1.2 基于正則化的共空間模式基本理論21-24
• 3.1.2.1 正則化的CSP協(xié)方差矩陣22
• 3.1.2.2 正則化的CSP目標函數(shù)22-24
• 3.2 基于l_1范數(shù)極大化奇異值分解的共空間模式分解24-26
• 3.3 實驗數(shù)據(jù)描述26-32
• 3.3.1 Outliers仿真數(shù)據(jù)26-27
• 3.3.1.1 Outliers仿真實驗結(jié)果27
• 3.3.2 實驗室運動想象腦電數(shù)據(jù)27-32
• 3.3.2.1 真實腦電數(shù)據(jù)結(jié)果30-32
• 3.4 結(jié)果分析32-33
• 3.5 本章小結(jié)33-34
• 第四章 基于l_p范數(shù)的線性判別分析34-51
• 4.1 線性判別分析34-36
• 4.2 基于l_p范數(shù)的線性判別分析36-39
• 4.2.1 基于l_p范數(shù)的線性判別分析的二分類36-37
• 4.2.2 基于l_p范數(shù)線性判別分析的迭代求解37-38
• 4.2.3 基于l_p范數(shù)線性判別分析的多分類38-39
• 4.3 實驗數(shù)據(jù)描述39-48
• 4.3.1 仿真數(shù)據(jù)分類40-43
• 4.3.1.1 Outliers的個數(shù)影響40-42
• 4.3.1.2 Outliers的強度影響42-43
• 4.3.2 實際數(shù)據(jù)分類43-48
• 4.3.2.1 運動想象腦-機接口數(shù)據(jù)43-45
• 4.3.2.2 UCI標準模式識別數(shù)據(jù)庫數(shù)據(jù)45-46
• 4.3.2.3 基因數(shù)據(jù)46-47
• 4.3.2.4 人臉識別數(shù)據(jù)47-48
• 4.4 結(jié)果分析48-50
• 4.5 本章小結(jié)50-51
• 第五章 全文總結(jié)與展望51-53
• 5.1 全文總結(jié)51
• 5.2 后續(xù)工作展望51-53
• 致謝53-54
• 參考文獻54-60
• 攻讀碩士學(xué)位期間取得的成果60-61

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 黃國言,鄒沐昌;模糊模式識別算法在動態(tài)心電圖QRS模板統(tǒng)計中的應(yīng)用[J];燕山大學(xué)學(xué)報;2001年03期

中國重要會議論文全文數(shù)據(jù)庫 前1條

1 楊代琴;楊宗凱;胡靜;;基于SVM的模式識別算法的研究與改進[A];第十屆全國信號處理學(xué)術(shù)年會（CCSP-2001）論文集[C];2001年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 劉美春;基于運動想象的腦—機接口系統(tǒng)模式識別算法研究[D];華南理工大學(xué);2009年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 李沛洋;基于稀疏度量的運動想象腦電特征提取和模式識別算法研究[D];電子科技大學(xué);2014年

2 方秀端;協(xié)同模式識別算法的研究與應(yīng)用[D];福州大學(xué);2002年

3 黃劍峰;基于模式識別算法的入侵檢測研究[D];南京理工大學(xué);2007年

4 王彥闖;農(nóng)產(chǎn)品檢測電子鼻的模式識別算法和軟件編程的實現(xiàn)[D];杭州電子科技大學(xué);2011年

5 丁雪;工業(yè)場景中操作臺的模式識別算法研究[D];河北科技大學(xué);2013年

6 蔡貝貝;氣體傳感器陣列模式識別算法及硬件實現(xiàn)[D];電子科技大學(xué);2013年

7 路慧;基于模式識別算法的網(wǎng)絡(luò)入侵檢測系統(tǒng)研究[D];華東師范大學(xué);2010年

8 高濱;基于支撐矢量機的模式識別算法的研究[D];西安科技大學(xué);2006年

9 楊勇智;使用模式識別算法的入侵檢測系統(tǒng)的設(shè)計[D];長春理工大學(xué);2002年

10 高曉勤;電子鼻模式識別算法的研究與實現(xiàn)[D];中北大學(xué);2015年

  本文關(guān)鍵詞：基于稀疏度量的運動想象腦電特征提取和模式識別算法研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：295757