基于稀疏度量的运动想象脑电特征提取和模式识别算法研究

发布时间：2017-04-09 17:19

  本文关键词：基于稀疏度量的运动想象脑电特征提取和模式识别算法研究，由笔耕文化传播整理发布。

【摘要】：对大脑的保护和信息挖掘是21世纪科技的热门研究课题,而“脑功能的研究”是“了解脑”的基本途径。脑电图(Electroencephalography,EEG)具有较高的时间分辨率,可以在毫秒量级的尺度上的记录大脑信息的处理过程,从而决定了其在脑功能信息挖掘中的重要地位。目前,基于脑电的脑-机接口技术已经在医疗和娱乐领域得到了广泛的应用和发展。然而,从脑电放大器采集到的脑电信号往往具有非平稳性,且样本维度通常远远大于样本个数,包含了较多的异常值(Outliers)。特别是在脑-机接口领域,这类问题表现得更为突出。因此,在分析前常常需要预先提取相应的特征以实现数据样本的降维。当前,一些经典的脑电特征提取和模式识别方法如:共空间模式识别,主成分分析,线性判别分析等都是基于L2模的数值求解方法。由l2范数导出的求解方法虽然具有很好的平滑性,但不具备稀疏性,并且容易受到Outliers的影响,这些干扰会阻碍脑电信号的后续分析研究。从统计学的角度看,基于lp范数框架设计出的算法比l2范数对Outliers的抑制有明显的优势。因此,发展基于稀疏度量方法的脑电研究系统具有重大的理论和实践意义。本文针对脑电信号采集过程中引入的Outliers,对基于l2范数的经典特征提取和模式识别方法进行改进,发展相应的方法抑制Outliers影响,最终构建基于相关方法的稳健脑-机接口在线系统。主要内容如下:1.特征提取:基于最小2乘估计(least squares estimation,LES)的脑电特征容易扩大Outliers的影响,从而扭曲特征对样本的反映。本工作中针对该问题,将基于l1范数的奇异值分解方法(L1-SVD)应用到共空间模式分析(Common Spatial Pattern,CSP)中,替换原有基于SVD分解的特征向量求解,从而实现对Outliers较好的抑制。仿真和真实运动想象数据的特征提取结果,证实了发展方法良好的噪声抑制能力。2.模式识别:在模式识别中,一些基于l2范数结构的方法也容易受到Outliers的影响,从而影响分类超平面的投影方向。本工作将基于lp范数的度量空间应用到线性判别分析算法中,替换原有基于l2范数的广义瑞利商。将发展的模式识别方法用于仿真数据、真实运动想象数据、基因数据、人脸识别数据以及模式识别标准数据库中的数据,与其他线性判别分析方法相比获得了较高的识别准确率,结果证明新发展的方法能够训练出对Outlier有较强抑制作用的分类器,并具有较高的普适性。
【关键词】：脑电 脑-机接口 lp范数 特征提取 模式识别
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：R741.044;TP391.4
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 绪论10-16
• 1.1 国内外研究现状和发展趋势10-13
• 1.1.1 稀疏理论的研究背景及应用10-11
• 1.1.2 基于脑电的脑-机接口技术11-12
• 1.1.2.1 基于大脑活动节律的脑-机接口11-12
• 1.1.2.2 基于事件相关电位的脑-机接口12
• 1.1.2.3 基于ERD以及ERS的脑-机接口12
• 1.1.3 脑电中的特征提取及模式识别方法12-13
• 1.2 本文的主要工作13-14
• 1.3 本论文的结构安排14-16
• 第二章 稀疏优化理论基础16-21
• 2.1 稀疏表示综述16-18
• 2.1.1 匹配追踪算法16-17
• 2.1.2 正交匹配追踪算法17
• 2.1.3 基于l_p范数的稀疏优化17-18
• 2.2 l_1范数研究综述18-20
• 2.3 本章小结20-21
• 第三章 基于l_1范数极大化奇异值分解的共空间模式识别分析21-34
• 3.1 基于共空间模式分析的特征提取21-24
• 3.1.1 共空间模式基本理论21
• 3.1.2 基于正则化的共空间模式基本理论21-24
• 3.1.2.1 正则化的CSP协方差矩阵22
• 3.1.2.2 正则化的CSP目标函数22-24
• 3.2 基于l_1范数极大化奇异值分解的共空间模式分解24-26
• 3.3 实验数据描述26-32
• 3.3.1 Outliers仿真数据26-27
• 3.3.1.1 Outliers仿真实验结果27
• 3.3.2 实验室运动想象脑电数据27-32
• 3.3.2.1 真实脑电数据结果30-32
• 3.4 结果分析32-33
• 3.5 本章小结33-34
• 第四章 基于l_p范数的线性判别分析34-51
• 4.1 线性判别分析34-36
• 4.2 基于l_p范数的线性判别分析36-39
• 4.2.1 基于l_p范数的线性判别分析的二分类36-37
• 4.2.2 基于l_p范数线性判别分析的迭代求解37-38
• 4.2.3 基于l_p范数线性判别分析的多分类38-39
• 4.3 实验数据描述39-48
• 4.3.1 仿真数据分类40-43
• 4.3.1.1 Outliers的个数影响40-42
• 4.3.1.2 Outliers的强度影响42-43
• 4.3.2 实际数据分类43-48
• 4.3.2.1 运动想象脑-机接口数据43-45
• 4.3.2.2 UCI标准模式识别数据库数据45-46
• 4.3.2.3 基因数据46-47
• 4.3.2.4 人脸识别数据47-48
• 4.4 结果分析48-50
• 4.5 本章小结50-51
• 第五章 全文总结与展望51-53
• 5.1 全文总结51
• 5.2 后续工作展望51-53
• 致谢53-54
• 参考文献54-60
• 攻读硕士学位期间取得的成果60-61

【相似文献】

中国期刊全文数据库 前1条

1 黄国言,邹沐昌;模糊模式识别算法在动态心电图QRS模板统计中的应用[J];燕山大学学报;2001年03期

中国重要会议论文全文数据库 前1条

1 杨代琴;杨宗凯;胡静;;基于SVM的模式识别算法的研究与改进[A];第十届全国信号处理学术年会（CCSP-2001）论文集[C];2001年

中国博士学位论文全文数据库 前1条

1 刘美春;基于运动想象的脑—机接口系统模式识别算法研究[D];华南理工大学;2009年

中国硕士学位论文全文数据库 前10条

1 李沛洋;基于稀疏度量的运动想象脑电特征提取和模式识别算法研究[D];电子科技大学;2014年

2 方秀端;协同模式识别算法的研究与应用[D];福州大学;2002年

3 黄剑峰;基于模式识别算法的入侵检测研究[D];南京理工大学;2007年

4 王彦闯;农产品检测电子鼻的模式识别算法和软件编程的实现[D];杭州电子科技大学;2011年

5 丁雪;工业场景中操作台的模式识别算法研究[D];河北科技大学;2013年

6 蔡贝贝;气体传感器阵列模式识别算法及硬件实现[D];电子科技大学;2013年

7 路慧;基于模式识别算法的网络入侵检测系统研究[D];华东师范大学;2010年

8 高滨;基于支撑矢量机的模式识别算法的研究[D];西安科技大学;2006年

9 杨勇智;使用模式识别算法的入侵检测系统的设计[D];长春理工大学;2002年

10 高晓勤;电子鼻模式识别算法的研究与实现[D];中北大学;2015年

  本文关键词：基于稀疏度量的运动想象脑电特征提取和模式识别算法研究，由笔耕文化传播整理发布。

，

本文编号：295757