基于支持向量回歸模型的腦電建模與預測.pdf

1、目前，越來越多的研究表明，人的大腦是一個復雜的非線性動力系統(tǒng)，具有時空混沌的特征。而EEG信號則是通過現(xiàn)代手段記錄的大腦行為的外在表征，并在臨床輔助診斷和疾病研究中發(fā)揮越來越重要的作用。因此，研究對EEG信號的有效的建模和預測有著重大意義，它能夠讓我們從腦電信號提取更多的有用信息，用于疾病的診斷和預測，也有助于我們研究大腦運作機制。
　　由于腦電信號具有典型的時空混沌的特性，本文提出了一種針對的時空混沌信號建模的方法。首先將全局支

2、持向量回歸模型與徑向基神經網(wǎng)絡回歸模型進行對比，住址實驗證明了支持向量回歸模型的優(yōu)越性。然后，將局域預測法與支持向量回歸模型相結合，提出局域支持向量回歸模型，大幅提高模型的訓練速度，并且可以保證檢測的精度。接著，從局域支持向量回歸模型的懲罰系數(shù)出發(fā)，研究變化的懲罰系數(shù)對回歸模型的性能的影響，通過高斯距離權重函數(shù)，根據(jù)每個訓練樣本與最后的樣本的距離計算加權的權重，得到每個訓練樣本對應的加權懲罰系數(shù)，得到了新的局域加權支持向量回歸模型（Lo

3、cal-WSVR），充分挖掘和利用時空混沌的局域信息。最后，我們將新建立的Local-WSVR模型應用于實際腦電信號建模與預測中，并利用該模型構建了癲癇檢測器。
　　總的來說，本文將支持向量回歸模型與局域預測法相結合，得到了局域支持向量回歸模型，并在此基礎上進行改進，對懲罰系數(shù)進行加權，進一步提出了全新的局域加權支持向量回歸模型（Local-WSVR）。理論與實驗的結果表明，該模型具有良好的性能，能夠更好的挖掘時空混沌信號的局域信