遺傳算法和BP網(wǎng)絡相結(jié)合的分類器在BCI中的應用.pdf

1、腦電信號的分類是腦機接口中的關(guān)鍵問題。因為腦電的個體差異較大、信號幅度微弱，又是非平穩(wěn)的時變信號，所以對其進行特異性分析總結(jié)是比較復雜的工作。提高腦電信號分類的準確率在臨床和科研中有十分重要的意義。 本文研究了一種基于遺傳算法和BP神經(jīng)網(wǎng)絡的BCI 分類器，利用遺傳算法和BP神經(jīng)網(wǎng)絡相結(jié)合的方式進行網(wǎng)絡的學習。首先從原始的腦電信號中提取出多種時頻和功率特征，構(gòu)成候選特征集合；其次從中隨機生成一批特征向量，每個特征向量都是候選特征

2、集合的一個子集；然后把這些特征向量作為遺傳算法的初始種群。在逐代的演化中，用BP神經(jīng)網(wǎng)絡計算出種群中個體的適應度；最后選擇其中適應度最高的特征向量，從而排除了冗余特征，得到了能夠代表腦電信號特異性的特征組合。 本文主要在以下三個方面進行了重點研究： 1) 利用遺傳算法啟發(fā)式快速搜索能力和BP神經(jīng)網(wǎng)絡的自學習自適應能力，實現(xiàn)了二者相結(jié)合的解題模型，并且在2003年BCI 競賽所提供的數(shù)據(jù)上進行了實驗，驗證了該解題模型的有效

3、性，比單純使用BP神經(jīng)網(wǎng)絡進行識別可以提高10％左右的正確率。 2) 通過實驗，進一步驗證了Kolmogorov 定理中關(guān)于三層前饋網(wǎng)絡的隱藏層結(jié)點的數(shù)目確定問題。 3) 進行了棘波識別的仿真實驗，也驗證了使用遺傳算法優(yōu)選特征在癲癇檢測方面的有效性。腦電信號的識別分類是個很復雜的問題，對其特異性的尋找需要小心精巧的分析、大量的實驗求證和多種信號分析方法的綜合使用。 本文使用遺傳算法選擇有效腦電特征，排除無效特征，