面向PEMFC輸出性能優(yōu)化的EIS頻率正割角方法研究.pdf

1、腦-機接口（Brian Computer Interface,BCI）是一種只通過大腦產(chǎn)生的腦電信號與外界進行交流的通訊系統(tǒng)，該系統(tǒng)與人們的肌肉和外圍神經(jīng)無關(guān)。BCI研究的主要內(nèi)容是將操作人員的控制意圖轉(zhuǎn)換成對外部設(shè)備的控制指令。其核心技術(shù)在于對腦電信號的特征提取和分類識別。本文在運動想象腦電信號模式識別的基礎(chǔ)上，搭建在線BCI系統(tǒng)實現(xiàn)機械手的基本運動控制。
　　首先選取BCI2003競賽中運動想象數(shù)據(jù)，對數(shù)據(jù)進行預處理，確定數(shù)據(jù)

2、選取的時間和頻率的范圍。因為有效的特征信息直接影響到最后的分類識別效果，本文在分析傳統(tǒng)方法的基礎(chǔ)上，提出基于小波變換和共空間模式的方法對腦電信號進行特征提取。這種方法很好的結(jié)合了時頻域和空間域的特征信息，提取的特征量包含了時間、頻率和空間的特征行為，為后續(xù)的分類識別打好了基礎(chǔ)。采用基于粒子群算法的支持向量機和極限學習機對組合特征量進行分類識別，通過分類結(jié)果的對比證明本文提出的特征提取方法優(yōu)于傳統(tǒng)方法，同時得出極限學習機具有更佳的最優(yōu)識別

3、率和更短的訓練學習時間，能夠更好的適用于BCI系統(tǒng)。
　　然后選用Emotiv Epoc腦電采集設(shè)備，設(shè)計相應的實驗流程采集運動想象腦電信號，對離線數(shù)據(jù)進行分析，驗證上述理論結(jié)果。實驗中對極限學習機進行改進，通過對訓練集進行循環(huán)學習，選擇其中效果最好的那組參數(shù)作為固定值，提高了平均分類識別的效果。
　　最后，通過Matlab實現(xiàn)了以上算法，對Emotiv Epoc采集的腦電信號進行實時信號分析處理，并將分類的結(jié)果轉(zhuǎn)換成控制指