基于運動想象的腦電信號特征選擇及分類算法研究.pdf

1、腦-機接口（Brain-Computer Interface，BCI）利用現(xiàn)代信息技術(shù)方法，在大腦層面研究腦電信號的處理過程，實現(xiàn)人機交互，為那些不能與外界正常溝通的殘障人士提供了全新思路。實現(xiàn)此技術(shù)的難題之一便是利用相關(guān)腦電信號處理算法對腦電信號進行有效分類。為提高多類腦電信號的分類識別性能，本文基于Berlin IVa和Graz Data Set2a兩個標準數(shù)據(jù)集對多類運動想象腦電信號的相關(guān)處理算法展開了深入研究。主要工作如下：

2、r>　　對于Berlin IVa兩類運動想象腦電信號，為解決其數(shù)據(jù)維度高、平均分類正確率低這些問題，本文首先分別采用了MI互信息（Mutual Information，MI）、AR功率譜估計、CSP共空間模式提取有效的時間、頻率、電極參數(shù)，實驗結(jié)果表明以上三種算法都能有效降低特征信號維度；然后運用LDA線性判別（Linear discriminant analysis）進行分類，發(fā)現(xiàn)利用AR-CSP組合算法進行特征提取時能進一步提高分類

3、識別準確率。與2005年第三屆國際腦機接口競賽獲獎結(jié)果相比，本文分類效果僅次于第一名。
　　針對Graz Data Set2a四類運動想象腦電信號，為提高數(shù)據(jù)信噪比，本文運用獨立成分分析法進行盲源分離；針對非平穩(wěn)非線性特性運用了Wavelet小波分析和CSP共空間模式進行特征提取；然后使用SVM支持向量機進行分類。由于傳統(tǒng)SVM算法在參數(shù)的選取上存在工作量大、尋優(yōu)費時的缺陷，本文結(jié)合GA遺傳算法（Genetic Algorithm

4、）實現(xiàn)了懲罰因子和核參數(shù)最優(yōu)值的快速選取?？紤]到GA搜索比較耗時，本文實現(xiàn)了并行計算和模型保存機制。最終兩種組合算法的分類效果相比之前都有很大提升。與競賽結(jié)果相比，本文不僅可從多個角度衡量算法的有效性和可行性，而且本文采用的CSP-GA-SVM組合算法的KAPPA值高于2008年競賽獲獎結(jié)果第一名，Wavelet-GA-SVM的分類效果僅次于競賽第二名，從而為腦電信號特征提取與分類提供了新的解決方案。
　　最后，本文基于BCI20