IR-BCI信號(hào)時(shí)頻空分析及模式分類.pdf

1、腦-機(jī)接口系統(tǒng)可以不依賴于大腦的正常輸出通路，直接在人腦與外部設(shè)備之間建立交流和控制通道，通過此通道，可以讓人的意圖與外界環(huán)境直接溝通。腦-機(jī)接口的重要工作之一是從采集到的腦電信號(hào)中正確的分析出使用者的意圖，而特征提取和模式分類方法是腦-機(jī)接口正確分類的關(guān)鍵。本文重點(diǎn)對(duì)“模擬閱讀”腦-機(jī)接口信號(hào)的模式識(shí)別方法進(jìn)行以下幾個(gè)方面的研究。
　　以前“模擬閱讀”腦-機(jī)接口實(shí)驗(yàn)?zāi)Ｊ较绿卣魈崛〉难芯看蟛糠侄际菍?duì)單通道信號(hào)進(jìn)行處理，即便是考慮了

2、多通道信息，也不能同時(shí)從時(shí)頻空三維上提取特征，從而在信號(hào)處理過程中，會(huì)丟失一些可能對(duì)分類有用的信息?；谝陨显颍疚膶?duì)張量時(shí)頻空模式特征提取方法進(jìn)行了研究，該方法能夠同時(shí)從多維上提取特征，對(duì)角化腦電信號(hào)的高維協(xié)方差矩陣，從而保留腦電信號(hào)的更多信息。相比于共空間模式，其具有更高的分類性能。
　　張量除了可以應(yīng)用在特征提取上，也可以應(yīng)用在模式分類上。目前機(jī)器學(xué)習(xí)算法大多數(shù)都是基于向量空間進(jìn)行設(shè)計(jì)的，如果處理的是張量類型的數(shù)據(jù)，就需要

3、將張量類型數(shù)據(jù)先轉(zhuǎn)化成向量類型數(shù)據(jù)再使用，這樣一方面會(huì)丟失特征的空間位置關(guān)系，另一方面會(huì)導(dǎo)致高維向量的產(chǎn)生，在學(xué)習(xí)過程中出現(xiàn)過擬合現(xiàn)象。為了克服這些缺點(diǎn)，研究了核支持張量機(jī)分類方法，該方法用于“模擬閱讀”腦-機(jī)接口實(shí)驗(yàn)?zāi)Ｊ?，比支持向量機(jī)有更好的分類效果。
　　針對(duì)支持張量機(jī)耗時(shí)比較長(zhǎng)的特點(diǎn)，研究了一種分類速度更快的算法-極限學(xué)習(xí)機(jī)，將其與支持向量機(jī)相比較，在“模擬閱讀”BCI實(shí)驗(yàn)?zāi)Ｊ较?，極限學(xué)習(xí)機(jī)的分類正確率與支持向量機(jī)相近，極限