腦機(jī)接口（brain computer interface,BCI）通過在大腦和外部設(shè)備之間建立通信通道,不僅可以使得運(yùn)動(dòng)障礙患者重新獲得控制外部設(shè)備的能力,還可以讓腦卒中患者重新恢復(fù)與人溝通交流的能力。然而,由于當(dāng)前用于采集到的腦電信號(hào)有限且普遍質(zhì)量較差,同時(shí)來源于不同被試者的腦電信號(hào)往往存在一定的差異性,但主流的機(jī)器學(xué)習(xí)算法常常要求數(shù)據(jù)是服從獨(dú)立同分布的,因此,在腦機(jī)接口系統(tǒng)中,主流的機(jī)器學(xué)習(xí)在泛化性能上往往表現(xiàn)較差。同時(shí)腦電信號(hào)中大量的特征和較少的數(shù)據(jù)量也增加了模型過擬合的風(fēng)險(xiǎn)。除此之外,目前大多數(shù)機(jī)器學(xué)習(xí)算法需要進(jìn)行人工或通過交叉驗(yàn)證的方式進(jìn)行調(diào)參,而這些方法需要耗費(fèi)大量的時(shí)間,尤其是模型的訓(xùn)練時(shí)間較長(zhǎng)時(shí)間。針對(duì)上述問題,本文根據(jù)組稀疏貝葉斯邏輯回歸（group sparse Bayesian logistic regression,GSBLR）和組稀疏貝葉斯線性判別分析（group sparse Bayesian linear discriminant analysis,GSBLDA）兩種算法提出了基于組稀疏貝葉斯邏輯回歸模型的遷移學(xué)習(xí)算法（transfer learning... 

【文章來源】：華南理工大學(xué)廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：73 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 BCI技術(shù)介紹
        1.2.1 BCI系統(tǒng)的組成
        1.2.2 BCI系統(tǒng)的分類
    1.3 BCI技術(shù)的研究現(xiàn)狀
        1.3.1 P300信號(hào)
        1.3.2 錯(cuò)誤相關(guān)信號(hào)
        1.3.3 BCI技術(shù)面臨的挑戰(zhàn)
    1.4 論文研究?jī)?nèi)容與章節(jié)安排
第二章 相關(guān)理論基礎(chǔ)
    2.1 貝葉斯算法基礎(chǔ)
        2.1.1 條件高斯概率分布
        2.1.2 參數(shù)估計(jì)方法簡(jiǎn)介
        2.1.3 基于高斯分布的貝葉斯定理
        2.1.4 貝葉斯框架
    2.2 基于模型的遷移學(xué)習(xí)簡(jiǎn)介
        2.2.1 遷移學(xué)習(xí)的定義
        2.2.2 遷移學(xué)習(xí)的類別
        2.2.3 基于模型的遷移學(xué)習(xí)
        2.2.4 域自適應(yīng)在腦機(jī)接口系統(tǒng)中的應(yīng)用
        2.2.5 規(guī)則自適應(yīng)在腦機(jī)接口系統(tǒng)中的應(yīng)用
    2.3 本章小結(jié)
第三章 基于GSBLR模型的遷移學(xué)習(xí)算法在P300 檢測(cè)中的應(yīng)用
    3.1 數(shù)據(jù)集簡(jiǎn)介
    3.2 基于組稀疏貝葉斯邏輯回歸的遷移學(xué)習(xí)算法
        3.2.1 稀疏貝葉斯邏輯回歸
        3.2.2 組稀疏貝葉斯邏輯回歸
        3.2.3 模型遷移原理
    3.3 實(shí)驗(yàn)設(shè)計(jì)
        3.3.1 數(shù)據(jù)預(yù)處理
        3.3.2 實(shí)驗(yàn)方案
    3.4 實(shí)驗(yàn)結(jié)果及分析
        3.4.1 與其他算法的比較結(jié)果
        3.4.2 重復(fù)拼寫次數(shù)對(duì)實(shí)驗(yàn)結(jié)果的影響
        3.4.3 初始化超參數(shù)對(duì)實(shí)驗(yàn)結(jié)果的影響
    3.5 本章小結(jié)
第四章 基于GSBLDA模型的集成遷移學(xué)習(xí)算法在Err P檢測(cè)中的應(yīng)用
    4.1 數(shù)據(jù)集簡(jiǎn)介
    4.2 算法設(shè)計(jì)
        4.2.1 組稀疏貝葉斯線性判別分析算法
        4.2.2 模型集成
    4.3 實(shí)驗(yàn)設(shè)計(jì)
        4.3.1 數(shù)據(jù)預(yù)處理
        4.3.2 其他特征類別
        4.3.3 實(shí)驗(yàn)方案
    4.4 實(shí)驗(yàn)結(jié)果及分析
        4.4.1 使用不同類型特征的結(jié)果
        4.4.2 不同初始化超參數(shù)對(duì)實(shí)驗(yàn)結(jié)果的影響
    4.5 本章小結(jié)
總結(jié)與展望
    總結(jié)
    展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的研究成果
致謝
附件


【參考文獻(xiàn)】：
期刊論文
[1]2018年腦機(jī)接口研發(fā)熱點(diǎn)回眸[J]. 陳小剛,王毅軍,張丹.  科技導(dǎo)報(bào). 2019(01)
[2]《機(jī)器學(xué)習(xí)》[J]. 周志華.  中國(guó)民商. 2016(03)

博士論文
[1]多模態(tài)與多自由度腦機(jī)接口研究[D]. 余天佑.華南理工大學(xué) 2013

碩士論文
[1]基于腦電控制的智能家居系統(tǒng)研究與設(shè)計(jì)[D]. 秦川.曲阜師范大學(xué) 2019
[2]基于VR與EEG的情緒識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 紀(jì)強(qiáng).華南理工大學(xué) 2017



本文編號(hào)：3199552