基于生物电信号的自然交互运动意图识别方法研究
发布时间：2021-11-24 06:47
随着智能设备的发展,基于生物电信号的自然人机交互（natural Human Machine Interaction,nHMI）方式成为研究人机交互领域中的热点问题。其中,基于脑电图信号（Electroencephalogram,EEG）和表面肌电信号（surface Electromyogram,sEMG）的生物电信号交互方式,作为近二十年来快速发展的一种新型人机交互方式,具有信号发生机理和运动意图高度耦合、互为因果的优势,在人机交互领域有着广阔的发展前景。本文主要研究以脑电图信号和表面肌电信号为媒介的自然交互控制问题中的大脑意图识别和上肢手势姿态识别关键技术问题。具体工作如下:（1）脑电图信号采集方案设计和系统实现。通过分析脑电图信号和大脑皮层功能分布,设计了针对四类运动想象的电极放置方案和运动激活范式,实现了3名实验对象的运动想象脑电信号采集,为研究以脑电图信号为媒介的自然交互控制系统提供有效数据获取的方法。（2）脑电信号中眼电伪迹的自适应去除。通过分析ICA算法不能自适应选择眼电伪迹成分和CCICA算法需要额外眼电通道等问题后,提出了一种基于EMD-CCICA自动去除眼电伪迹的...
【文章来源】：南京林业大学江苏省
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
单个通道的时域特征相关系数矩阵图
43征，本文选取MAV、PK、SF、ZCR这四种特征作为最终分类器分析的时域特征。时域特征降维后，需要分析时域、频域、时频域和空域的多域特征对四类运动想象任务是否具有类间可分性。为了说明并了解多域特征的分类性能，本文使用K=3的KNN分类器的对多域特征进行训练分类，分类准确率如图4-12所示。从图4-12中可以看出，对于60导电极的四类运动想象信号，空域特征具有最高分类准确率，时频域特征准确率最低。基于一对多CSP算法的EEG信号空域分析，可以有效提取EEG信号中时间和空间变化信息，因此多域特征中空域特征值具有最好的表征性能。图4-12单域特征分类准确率(KNN分类器：K=3)Fig.4-12Singledomainfeatureclassificationaccuracyrate(KNNclassifier:K=3)使用分类器算法对EEG信号多域特征进行类别判定是BCI系统中信号分析的最后一个模块，优质的分类器对于分类准确率而言是至关重要的。为了有效评估6种分类器对运动意图识别的性能，本文使用网格搜索法搜索各个分类器预定义的超参数组合，并结合5折交叉验证法分析各个超参数组合的性能，最后选取最佳的超参数以及参数对应的分类器算法作为最终的分类器。交叉验证法能够提高分类器算法对数据集的泛化能力避免过拟合现象，原理是将数据集分为5等份，每次选取其中的4份作为训练集，剩余的第5份作为测试集并得出分类器分类结果，5折交叉验证法实验方法示意图如图4-13所示。训练集训练集训练集训练集训练集训练集训练集训练集测试集训练集训练集训练集训练集训练集训练集测试集测试集训练集训练集训练集训练集训练集训练集测试集测试集训练集训练集训练集训练集训练集训练集测试集测试集训练集训练集训练集训练集训练集训练集测试集测试集训练集训练集训练集训练集训练集训练集训练集训练集测试?
44待评估的6种分类器网格搜索超参数集合如表4.1所示。表4.16种分类器超参数搜索集合Table4.16typesofclassifierhyperparametersearchcollection分类器超参数超参数搜索集合朴素贝叶斯(NB)无无线性分类器(LDA)无无K近邻(KNN)K{1,3,5,,21}支持向量机(SVM-RBF)Cγ{2,=10,9,,30}{2,=30,19,,0}决策树(DT)树的最大深度{1,2,,100}人工神经网络(ANN)神经元个数{10,20,30,40,50}对表4.1中四类分类器算法进行交叉验证获取最优的超参数，超参数网格搜索结果如图4-14(KNN)、图4-15(SVM-RBF核)、图4-16(DT)和图4-17(ANN)所示，其图中所标示准确率为最优超参数平均交叉验证准确率，图中所标示的数字为最高准确率。图4-14KNN超参数网格搜索结果图Fig.4-14KNNhyperparametergridsearchresults
本文编号：3515449
【文章来源】：南京林业大学江苏省
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
单个通道的时域特征相关系数矩阵图
43征，本文选取MAV、PK、SF、ZCR这四种特征作为最终分类器分析的时域特征。时域特征降维后，需要分析时域、频域、时频域和空域的多域特征对四类运动想象任务是否具有类间可分性。为了说明并了解多域特征的分类性能，本文使用K=3的KNN分类器的对多域特征进行训练分类，分类准确率如图4-12所示。从图4-12中可以看出，对于60导电极的四类运动想象信号，空域特征具有最高分类准确率，时频域特征准确率最低。基于一对多CSP算法的EEG信号空域分析，可以有效提取EEG信号中时间和空间变化信息，因此多域特征中空域特征值具有最好的表征性能。图4-12单域特征分类准确率(KNN分类器：K=3)Fig.4-12Singledomainfeatureclassificationaccuracyrate(KNNclassifier:K=3)使用分类器算法对EEG信号多域特征进行类别判定是BCI系统中信号分析的最后一个模块，优质的分类器对于分类准确率而言是至关重要的。为了有效评估6种分类器对运动意图识别的性能，本文使用网格搜索法搜索各个分类器预定义的超参数组合，并结合5折交叉验证法分析各个超参数组合的性能，最后选取最佳的超参数以及参数对应的分类器算法作为最终的分类器。交叉验证法能够提高分类器算法对数据集的泛化能力避免过拟合现象，原理是将数据集分为5等份，每次选取其中的4份作为训练集，剩余的第5份作为测试集并得出分类器分类结果，5折交叉验证法实验方法示意图如图4-13所示。训练集训练集训练集训练集训练集训练集训练集训练集测试集训练集训练集训练集训练集训练集训练集测试集测试集训练集训练集训练集训练集训练集训练集测试集测试集训练集训练集训练集训练集训练集训练集测试集测试集训练集训练集训练集训练集训练集训练集测试集测试集训练集训练集训练集训练集训练集训练集训练集训练集测试?
44待评估的6种分类器网格搜索超参数集合如表4.1所示。表4.16种分类器超参数搜索集合Table4.16typesofclassifierhyperparametersearchcollection分类器超参数超参数搜索集合朴素贝叶斯(NB)无无线性分类器(LDA)无无K近邻(KNN)K{1,3,5,,21}支持向量机(SVM-RBF)Cγ{2,=10,9,,30}{2,=30,19,,0}决策树(DT)树的最大深度{1,2,,100}人工神经网络(ANN)神经元个数{10,20,30,40,50}对表4.1中四类分类器算法进行交叉验证获取最优的超参数，超参数网格搜索结果如图4-14(KNN)、图4-15(SVM-RBF核)、图4-16(DT)和图4-17(ANN)所示，其图中所标示准确率为最优超参数平均交叉验证准确率，图中所标示的数字为最高准确率。图4-14KNN超参数网格搜索结果图Fig.4-14KNNhyperparametergridsearchresults
本文编号：3515449
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3515449.html
