腦機接口（brain computer interface,BCI）通過在大腦和外部設(shè)備之間建立通信通道,不僅可以使得運動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與人溝通交流的能力。然而,由于當前用于采集到的腦電信號有限且普遍質(zhì)量較差,同時來源于不同被試者的腦電信號往往存在一定的差異性,但主流的機器學習算法常常要求數(shù)據(jù)是服從獨立同分布的,因此,在腦機接口系統(tǒng)中,主流的機器學習在泛化性能上往往表現(xiàn)較差。同時腦電信號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險。除此之外,目前大多數(shù)機器學習算法需要進行人工或通過交叉驗證的方式進行調(diào)參,而這些方法需要耗費大量的時間,尤其是模型的訓練時間較長時間。針對上述問題,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習算法（transfer learning... 

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

【文章頁數(shù)】：73 頁

【學位級別】：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
        1.3.2 錯誤相關(guān)信號
        1.3.3 BCI技術(shù)面臨的挑戰(zhàn)
    1.4 論文研究內(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)估計方法簡介
        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 基于模型的遷移學習簡介
        2.2.1 遷移學習的定義
        2.2.2 遷移學習的類別
        2.2.3 基于模型的遷移學習
        2.2.4 域自適應(yīng)在腦機接口系統(tǒng)中的應(yīng)用
        2.2.5 規(guī)則自適應(yīng)在腦機接口系統(tǒng)中的應(yīng)用
    2.3 本章小結(jié)
第三章 基于GSBLR模型的遷移學習算法在P300 檢測中的應(yīng)用
    3.1 數(shù)據(jù)集簡介
    3.2 基于組稀疏貝葉斯邏輯回歸的遷移學習算法
        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 實驗設(shè)計
        3.3.1 數(shù)據(jù)預處理
        3.3.2 實驗方案
    3.4 實驗結(jié)果及分析
        3.4.1 與其他算法的比較結(jié)果
        3.4.2 重復拼寫次數(shù)對實驗結(jié)果的影響
        3.4.3 初始化超參數(shù)對實驗結(jié)果的影響
    3.5 本章小結(jié)
第四章 基于GSBLDA模型的集成遷移學習算法在Err P檢測中的應(yīng)用
    4.1 數(shù)據(jù)集簡介
    4.2 算法設(shè)計
        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 實驗設(shè)計
        4.3.1 數(shù)據(jù)預處理
        4.3.2 其他特征類別
        4.3.3 實驗方案
    4.4 實驗結(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)對實驗結(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
攻讀碩士學位期間取得的研究成果
致謝
附件


【參考文獻】：
期刊論文
[1]2018年腦機接口研發(fā)熱點回眸[J]. 陳小剛,王毅軍,張丹.  科技導報. 2019(01)
[2]《機器學習》[J]. 周志華.  中國民商. 2016(03)

博士論文
[1]多模態(tài)與多自由度腦機接口研究[D]. 余天佑.華南理工大學 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[D]. 秦川.曲阜師范大學 2019
[2]基于VR與EEG的情緒識別系統(tǒng)設(shè)計與實現(xiàn)[D]. 紀強.華南理工大學 2017



本文編號：3199552