基于L1-范数的EEG信号鲁棒分类研究

发布时间：2017-06-30 20:18

  本文关键词：基于L1-范数的EEG信号鲁棒分类研究，由笔耕文化传播整理发布。

【摘要】：基于脑电(electroencephalography, EEG)信号的脑-机接口(brain-computer interfaces, BCI)系统在大脑与其他外部设备之间建立了非肌肉的通信和交流通道,脑-机接口的出现,为无法进行肌肉运动的病人提供了一种与外部环境交互的新方式。BCI技术的关键在于对不同精神状态下的EEG信号进行识别和分类。共同空间模式(common spatial patterns, CSP)是近些年提出的一种应用广泛的特征提取方法,能够捕捉大脑在进行运动想象相关任务时激发的事件相关同步化(event related synchronization, ERS)/事件相关去同步化(event related desynchronization, ERD)现象,进而提取具有判别信息的脑电模式。然而,由于CSP算法使用L2-范数的散度表达,容易受到噪声和奇异值的影响,而单纯地使用L1-范数来代替CSP中L2-范数散布表达的方法无法抑制幅值较小的噪声的影响,也无法得到稀疏的滤波向量。此外,CSP是基于单个信号动态表现的度量方法,没有使用两个EEG信号间的耦合信息。本文提出了两种鲁棒的改进L1-范数共同空间模式算法——基于波形长度正则化的L1-范数共同空间模式(waveform length regularized CSP-L1, wlCSPL1)算法和基于稀疏度量的L1-范数共同空间模式(sparse L1-norm based common spatial patterns, sp-CSPL1)算法；此外,提出了一个度量信号间相位同步性的相位特征提取算法——符号秩加权的相位延迟(phase lag weighted by signed-rank, PLSR)算法,并使用三种耦合框架将EEG信号幅值特征与相位特征进行耦合,以得到包含更多判别信息的幅值-相位耦合特征。为了验证所提出算法的优越性,本文使用了1个模拟数据集和5个公开的运动想象数据集进行实验。实验结果显示：在加入人工噪声前后,wlCSPL1算法都能利用波形长度度量的噪声项有效地约束空间滤波器搜索方向,提高运动想象任务的分类识别率；sp-CSPL1算法使用L1-范数度量的滤波向量稀疏性作为惩罚项,能够得到较为稀疏的空间滤波向量,提高了识别率；PLSR算法能有效地抑制信号自身不稳定性的影响,三个幅值-相位特征耦合框架在信号分类识别方面的性能得到了验证,尤其是复数耦合法,在所有被试上都取得了优于只使用CSP幅值特征的分类识别率。
【关键词】：L1-范数 脑-机接口(BCI) 脑电(EEG) 共同空间模式(CSP) 相位同步 特征耦合
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R318;TN911.7
【目录】：

• 摘要5-6
• ABSTRACT6-9
• 第一章 绪论9-14
• 1.1 脑-机接口系统的基本组成9-10
• 1.2 EEG信号的产生和特点10-11
• 1.3 EEG信号特征提取11-12
• 1.4 EEG信号特征分类12-14
• 第二章 共同空间模式算法综述14-19
• 2.1 共同空间模式的基本原理14-15
• 2.2 改进的共同空间模式算法15-17
• 2.3 本文的主要工作17
• 2.4 本文的结构安排17-19
• 第三章 波形长度正则化的L1-范数共同空间模式19-37
• 3.1 波形长度与噪声度量19-21
• 3.2 波形长度正则化的L1-范数共同空间模式21-25
• 3.2.1 wlCSPL1算法的目标函数21-22
• 3.2.2 目标函数的求解及迭代算法22-24
• 3.2.3 算法收敛性证明24-25
• 3.2.4 扩展到多对滤波器25
• 3.2.5 特征提取25
• 3.3 基于模拟数据的实验25-27
• 3.4 基于真实EEG数据的实验27-36
• 3.4.1 EEG数据说明及预处理27-28
• 3.4.2 实验参数的设定28-29
• 3.4.3 在原始EEG信号上的实验结果29-34
• 3.4.4 噪声的引入及在噪声数据上的实验结果34-36
• 3.5 本章小结36-37
• 第四章 稀疏的L1-范数共同空间模式37-48
• 4.1 L1-范数的稀疏原理37-38
• 4.2 稀疏的L1-范数共同空间模式38-41
• 4.2.1 目标函数的提出及求解38-40
• 4.2.2 算法收敛性证明40-41
• 4.2.3 扩展到多对滤波器41
• 4.3 实验数据说明及参数设定41-43
• 4.3.1 数据说明41-42
• 4.3.2 预处理42
• 4.3.3 参数的设定42-43
• 4.4 实验结果43-47
• 4.4.1 在BCI competition Ⅲ Ⅳa数据集上的实验结果43-45
• 4.4.2 在BCI 2000 PhysioNet数据集上的实验结果45-47
• 4.5 本章小结47-48
• 第五章 幅值-相位特征耦合的特征提取算法48-64
• 5.1 相位同步现象及幅值-相位耦合的重要性48-51
• 5.1.1 EEG信号的基本特征48-49
• 5.1.2 同步现象及度量方法49-50
• 5.1.3 幅值-相位特征耦合的意义50-51
• 5.2 符号秩加权的相位延迟算法51-52
• 5.2.1 算法提出51
• 5.2.2 算法优势分析51-52
• 5.3 幅值-相位耦合的特征提取方法52-54
• 5.3.1 提取幅值特征52
• 5.3.2 提取相位特征52-53
• 5.3.3 幅值-相位特征耦合53-54
• 5.4 BCI COMPETITION Ⅳ ⅡA数据集54-59
• 5.4.1 实验数据说明及预处理54-55
• 5.4.2 电极耦合方法55-56
• 5.4.3 实验结果56-59
• 5.5 在BCI COMPETITION Ⅳ Ⅰ数据集59-63
• 5.5.1 实验数据说明及预处理59-60
• 5.5.2 电极耦合方法60-61
• 5.5.3 实验结果61-63
• 5.6 本章小结63-64
• 第六章 总结与展望64-66
• 6.1 总结64
• 6.2 存在的问题与展望64-66
• 参考文献66-71
• 硕士期间发表论文71-72
• 致谢72

【相似文献】

中国期刊全文数据库 前10条

1 陈伟;瞿晓;葛丁飞;;主观引导特征提取法在光谱识别中的应用[J];科技通报;2011年04期

2 张剑清,J.A.R.Blais;运用信息论进行特征提取[J];测绘学报;1990年03期

3 高湘萍;吴小培;沈谦;;基于脑电的意识活动特征提取与识别[J];安徽大学学报(自然科学版);2006年02期

4 杨丽梅;郭立红;;天空背景下飞行器结构特征提取的新方法[J];光学技术;2007年03期

5 陈振洲;邹丽珊;;核Foley-Sammon变换[J];广州大学学报(自然科学版);2007年04期

6 王江晴;万晨;;周边方向贡献度在脱机手写女书特征提取中的应用[J];中南民族大学学报(自然科学版);2010年03期

7 李华平;;基于多特征提取的识别算法数学建模优化研究[J];哈尔滨师范大学自然科学学报;2013年04期

8 张绍武;潘泉;赵春晖;程咏梅;;基于加权自相关函数特征提取法的多类蛋白质同源寡聚体分类研究[J];生物医学工程学杂志;2007年04期

9 呼声波;刘希玉;;网页分类中特征提取方法的比较与改进[J];山东师范大学学报(自然科学版);2008年03期

10 李乡儒;;光谱数据挖掘中的特征提取方法[J];天文学进展;2012年01期

中国重要会议论文全文数据库 前10条

1 尚修刚;蒋慰孙;;模糊特征提取新算法[A];1997中国控制与决策学术年会论文集[C];1997年

2 潘荣江;孟祥旭;杨承磊;王锐;;旋转体的几何特征提取方法[A];第一届建立和谐人机环境联合学术会议（HHME2005）论文集[C];2005年

3 薛燕;李建良;朱学芳;;人脸识别中特征提取的一种改进方法[A];第十三届全国图象图形学学术会议论文集[C];2006年

4 杜栓平;曹正良;;时间—频率域特征提取及其应用[A];2005年全国水声学学术会议论文集[C];2005年

5 黄先锋;韩传久;陈旭;周剑军;;运动目标的分割与特征提取[A];全国第二届信号处理与应用学术会议专刊[C];2008年

6 魏明果;;方言比较的特征提取与矩阵分析[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

7 林土胜;赖声礼;;视网膜血管特征提取的拆支跟踪法[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 秦建玲;李军;;基于核的主成分分析的特征提取方法与样本筛选[A];2005年中国机械工程学会年会论文集[C];2005年

9 刘红;陈光，

本文编号：503382