IR-BCI信號時頻空分析及模式分類.pdf

1、腦-機接口系統(tǒng)可以不依賴于大腦的正常輸出通路，直接在人腦與外部設(shè)備之間建立交流和控制通道，通過此通道，可以讓人的意圖與外界環(huán)境直接溝通。腦-機接口的重要工作之一是從采集到的腦電信號中正確的分析出使用者的意圖，而特征提取和模式分類方法是腦-機接口正確分類的關(guān)鍵。本文重點對“模擬閱讀”腦-機接口信號的模式識別方法進行以下幾個方面的研究。
　　以前“模擬閱讀”腦-機接口實驗模式下特征提取的研究大部分都是對單通道信號進行處理，即便是考慮了

2、多通道信息，也不能同時從時頻空三維上提取特征，從而在信號處理過程中，會丟失一些可能對分類有用的信息。基于以上原因，本文對張量時頻空模式特征提取方法進行了研究，該方法能夠同時從多維上提取特征，對角化腦電信號的高維協(xié)方差矩陣，從而保留腦電信號的更多信息。相比于共空間模式，其具有更高的分類性能。
　　張量除了可以應用在特征提取上，也可以應用在模式分類上。目前機器學習算法大多數(shù)都是基于向量空間進行設(shè)計的，如果處理的是張量類型的數(shù)據(jù)，就需要

3、將張量類型數(shù)據(jù)先轉(zhuǎn)化成向量類型數(shù)據(jù)再使用，這樣一方面會丟失特征的空間位置關(guān)系，另一方面會導致高維向量的產(chǎn)生，在學習過程中出現(xiàn)過擬合現(xiàn)象。為了克服這些缺點，研究了核支持張量機分類方法，該方法用于“模擬閱讀”腦-機接口實驗模式，比支持向量機有更好的分類效果。
　　針對支持張量機耗時比較長的特點，研究了一種分類速度更快的算法-極限學習機，將其與支持向量機相比較，在“模擬閱讀”BCI實驗模式下，極限學習機的分類正確率與支持向量機相近，極限