基于支持向量回歸模型的腦電建模與預(yù)測(cè).pdf

1、目前，越來越多的研究表明，人的大腦是一個(gè)復(fù)雜的非線性動(dòng)力系統(tǒng)，具有時(shí)空混沌的特征。而EEG信號(hào)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(duì)EEG信號(hào)的有效的建模和預(yù)測(cè)有著重大意義，它能夠讓我們從腦電信號(hào)提取更多的有用信息，用于疾病的診斷和預(yù)測(cè)，也有助于我們研究大腦運(yùn)作機(jī)制。
　　由于腦電信號(hào)具有典型的時(shí)空混沌的特性，本文提出了一種針對(duì)的時(shí)空混沌信號(hào)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(jīng)網(wǎng)絡(luò)回歸模型進(jìn)行對(duì)比，住址實(shí)驗(yàn)證明了支持向量回歸模型的優(yōu)越性。然后，將局域預(yù)測(cè)法與支持向量回歸模型相結(jié)合，提出局域支持向量回歸模型，大幅提高模型的訓(xùn)練速度，并且可以保證檢測(cè)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(duì)回歸模型的性能的影響，通過高斯距離權(quán)重函數(shù)，根據(jù)每個(gè)訓(xùn)練樣本與最后的樣本的距離計(jì)算加權(quán)的權(quán)重，得到每個(gè)訓(xùn)練樣本對(duì)應(yīng)的加權(quán)懲罰系數(shù)，得到了新的局域加權(quán)支持向量回歸模型（Lo

3、cal-WSVR），充分挖掘和利用時(shí)空混沌的局域信息。最后，我們將新建立的Local-WSVR模型應(yīng)用于實(shí)際腦電信號(hào)建模與預(yù)測(cè)中，并利用該模型構(gòu)建了癲癇檢測(cè)器。
　　總的來說，本文將支持向量回歸模型與局域預(yù)測(cè)法相結(jié)合，得到了局域支持向量回歸模型，并在此基礎(chǔ)上進(jìn)行改進(jìn)，對(duì)懲罰系數(shù)進(jìn)行加權(quán)，進(jìn)一步提出了全新的局域加權(quán)支持向量回歸模型（Local-WSVR）。理論與實(shí)驗(yàn)的結(jié)果表明，該模型具有良好的性能，能夠更好的挖掘時(shí)空混沌信號(hào)的局域信