針對(duì)多通道四類(lèi)運(yùn)動(dòng)想象（Motor imagery, MI）腦電信號(hào)（Electroencephalography, EEG）的分類(lèi)問(wèn)題,提出免疫多域特征融合的多核學(xué)習(xí)SVM （Support vector machine）運(yùn)動(dòng)想象腦電信號(hào)分類(lèi)算法.首先,通過(guò)離散小波變換（Discrete wavelet transform, DWT）提取腦電信號(hào)的時(shí)頻域特征,并利用一對(duì)多公共空間模式（One versus the rest common spatial patterns, OVR-CSP）提取腦電信號(hào)的空域特征,融合時(shí)頻空域特征形成特征向量.其次,利用多核學(xué)習(xí)支持向量機(jī)（Multiple kernel learning support vector machine, MKL-SVM）對(duì)提取的特征向量進(jìn)行分類(lèi).最后,利用免疫遺傳算法（Immune genetic algorithm, IGA）對(duì)模型的相關(guān)參數(shù)進(jìn)行優(yōu)化,得到識(shí)別率更高的腦電信號(hào)分類(lèi)模型.采用BCI2005desc-Ⅲa數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)驗(yàn)證,對(duì)比結(jié)果表明,本文所提出的分類(lèi)模型有效地解決了傳統(tǒng)單域特征提取算法特征單一、信息描述... 

【文章來(lái)源】：自動(dòng)化學(xué)報(bào). 2020,46(11)北大核心EICSCD

【文章頁(yè)數(shù)】：10 頁(yè)

【部分圖文】：

四種算法下K3b受試者進(jìn)化圖Fig.7EvolutiongraphofK3bsubjectwithfouralgorithms

不同數(shù)量的訓(xùn)練集分類(lèi)正確率Fig.8Classificationaccuracyofdifferentnumbersoftrainingsets

11期張憲法等:免疫多域特征融合的多核學(xué)習(xí)SVM運(yùn)動(dòng)想象腦電信號(hào)分類(lèi)2419圖1不同小波函數(shù)的SVM分類(lèi)正確率Fig.1ClassificationaccuraciesofdifferentwaveletsusingtheSVMclassifier1.2運(yùn)動(dòng)想象腦電信號(hào)空域特征提取一對(duì)多公共空間模式(Oneversustherestcommonspatialpatterns,OVR-CSP)提取運(yùn)動(dòng)想象腦電信號(hào)的空域特征.公共空間模式(Commonspatialpatterns,CSP)是通過(guò)矩陣的對(duì)角化,來(lái)構(gòu)建一組最優(yōu)的空間濾波器進(jìn)行投影,目的是使得兩類(lèi)數(shù)據(jù)的方差值差異最大化,每類(lèi)數(shù)據(jù)獲得具有較高區(qū)分度的特征向量.而一對(duì)多公共空間模式(OVR-CSP)[13]是將公共空間模式從對(duì)兩類(lèi)信號(hào)特征提取擴(kuò)展到對(duì)多類(lèi)信號(hào)進(jìn)行特征提取,原理是將多類(lèi)中的一類(lèi)看作單獨(dú)一類(lèi),剩余的其他類(lèi)則歸為一類(lèi),依次計(jì)算出每“兩類(lèi)”的濾波器,最終可獲得與類(lèi)別數(shù)目相同的濾波器個(gè)數(shù).對(duì)四類(lèi)運(yùn)動(dòng)想象腦電信號(hào)進(jìn)行特征提取,因此會(huì)得到四個(gè)濾波器投影矩陣.使用一對(duì)多公共空間模式對(duì)經(jīng)過(guò)預(yù)處理的四類(lèi)運(yùn)動(dòng)想象腦電信號(hào)進(jìn)行空域特征提取的過(guò)程如下:假設(shè)Xi為四類(lèi)運(yùn)動(dòng)想象腦電信號(hào),大小為N×T(T≥N),N為采集信號(hào)的通道數(shù),T為每個(gè)通道的采樣點(diǎn)數(shù).分別計(jì)算四類(lèi)信號(hào)的歸一化協(xié)方差矩陣Ri:Ri=XiXTitr(XiXTi),i=1,2,3,4(1)式(1)中,tr(XiXTi)為獲得矩陣XiXTi的跡,XTi為Xi的轉(zhuǎn)置.接著計(jì)算混合空間協(xié)方差矩陣R:R=ˉR1+ˉR2+ˉR3+ˉR4(2)式(2)中,ˉRi(i=1,2,3,4)表示第i類(lèi)信號(hào)全部實(shí)驗(yàn)的平均協(xié)方差矩陣.接著對(duì)R進(jìn)行奇異

【參考文獻(xiàn)】：
期刊論文
[1]基于免疫堆疊降噪自編碼機(jī)網(wǎng)絡(luò)的運(yùn)動(dòng)想象腦電信號(hào)識(shí)別[J]. 郝礦榮,原博煒,陳磊,丁永生.  控制與決策. 2018(04)
[2]基于CSP與卷積神經(jīng)網(wǎng)絡(luò)算法的多類(lèi)運(yùn)動(dòng)想象腦電信號(hào)分類(lèi)[J]. 曾慶山,范明莉,宋慶祥.  科學(xué)技術(shù)與工程. 2017(27)
[3]基于總體經(jīng)驗(yàn)?zāi)B(tài)分解的多類(lèi)特征的運(yùn)動(dòng)想象腦電識(shí)別方法研究[J]. 楊默涵,陳萬(wàn)忠,李明陽(yáng).  自動(dòng)化學(xué)報(bào). 2017(05)
[4]多類(lèi)運(yùn)動(dòng)想象腦電信號(hào)的兩級(jí)特征提取方法[J]. 孟明,朱俊青,佘青山,馬玉良,羅志增.  自動(dòng)化學(xué)報(bào). 2016(12)
[5]多任務(wù)運(yùn)動(dòng)想象腦電特征的融合分類(lèi)研究[J]. 張煥,喬曉艷.  傳感技術(shù)學(xué)報(bào). 2016(06)
[6]腦控:基于腦-機(jī)接口的人機(jī)融合控制[J]. 王行愚,金晶,張宇,王蓓.  自動(dòng)化學(xué)報(bào). 2013(03)
[7]基于冗余離散小波變換的信號(hào)配準(zhǔn)及分類(lèi)[J]. 李德強(qiáng),吳永國(guó),羅海波.  自動(dòng)化學(xué)報(bào). 2011(01)

碩士論文
[1]CSP算法在多任務(wù)下的擴(kuò)展及在腦—機(jī)接口中的應(yīng)用[D]. 陳魁.南昌大學(xué) 2010



本文編號(hào)：3557101