EEG腦機(jī)接口的連續(xù)預(yù)測(cè)方法研究.pdf

1、腦機(jī)接口(Brain-(Complatei-Interface，BCI)是一種不依賴于周邊神經(jīng)和肌肉的人與外界進(jìn)行交流和控制的新通道。它為神經(jīng)肌肉疾病患者以及其它運(yùn)動(dòng)殘疾患者等提供一種與外界溝通的新方法。快速準(zhǔn)確地對(duì)腦電信號(hào)進(jìn)行連續(xù)預(yù)測(cè)是腦機(jī)接口研究的關(guān)鍵之一。為了訓(xùn)練學(xué)習(xí)分類器對(duì)腦電信號(hào)進(jìn)行連續(xù)地預(yù)測(cè)，試驗(yàn)數(shù)據(jù)常被分割成多個(gè)時(shí)間段。由于實(shí)驗(yàn)者在每個(gè)時(shí)間段(數(shù)據(jù)段)的真實(shí)意圖(標(biāo)號(hào))是未知的，給分類器的訓(xùn)練帶來了較大困難；同時(shí)怎樣對(duì)各片

2、段數(shù)據(jù)的預(yù)測(cè)進(jìn)行很好的融合才能夠?qū)φ螖?shù)據(jù)的類別做出即快又準(zhǔn)的判斷；這兩個(gè)問題可稱為未知標(biāo)號(hào)問題和積累問題。 本文主要針對(duì)以上兩個(gè)問題研究設(shè)計(jì)貝葉斯(Bayesian)概率模型，并利用機(jī)器學(xué)習(xí)的方法改進(jìn)腦機(jī)接口性能。 論文主要工作如下： 在貝葉斯理論框架下提出了新穎的概率模型。將未知標(biāo)號(hào)作為后驗(yàn)概率下限中的隱變量引入到模型中。模型的參數(shù)通過Expectation-Maximization算法對(duì)后驗(yàn)概率下限進(jìn)行優(yōu)化

3、而得到。通過合理處理各段數(shù)據(jù)的未知標(biāo)號(hào)，該方法能較充分利用數(shù)據(jù)的信息，從而可提高分類器的性能。 給出了兩種積累分類方法：1)對(duì)基于混合高斯模型的積累分類方法，利用權(quán)值對(duì)各段預(yù)測(cè)進(jìn)行積累從而提高系統(tǒng)性能，權(quán)值的估計(jì)分別基于混合高斯模型及混合高斯分類器在各時(shí)段輸出的可區(qū)分度。2)從分類器融合的觀點(diǎn)，結(jié)合貝葉斯Logistic模型和Fisher準(zhǔn)則給出了一種新的積累分類方法。 提出了一種新穎的貝葉斯積累概率模型。通過引入兩個(gè)輔