概率分類方法在多任務EEG腦機接口中的應用研究.pdf

1、腦機接口(BrainComputerInterface，BCI)的目標是利用大腦產(chǎn)生的信號建立一種把使用者的意圖轉(zhuǎn)變?yōu)橥獠吭O備控制信號的全新交流通道。腦機接口一般由信號的獲取、特征提取和模式識別等部分組成。實際的腦機接口中，正確率和信息傳輸速率是衡量系統(tǒng)性能的兩個主要指標。信息傳輸速率影響腦機接口實時通信的能力，如計算機的控制與應用，然而，現(xiàn)在腦機接口的發(fā)展受到系統(tǒng)低的信息傳送速率和較差的分類結(jié)果影響而不能真正的應用于臨床。解決系統(tǒng)傳輸

2、速率問題的一個可行的方案是使原本的兩類模式BCI轉(zhuǎn)變?yōu)槎嗳蝿漳Ｊ?，但是當模式增多時，信號處理和機器學習的困難變得顯著，新的模式可能影響到原本的模式使得分類的正確率下降。因此，BCI的發(fā)展只有結(jié)合信號處理和機器學習的先進方法，并聯(lián)合相關的神經(jīng)生理學知識才能取得進步。 本工作主要是聯(lián)合信號處理和機器學習的方法，本文中，我們首先使用兩種概率分類方法：支持向量機(supportvectormachine，SVM)后驗概率模型和貝葉斯線性

3、判決分析(Bayesianlineardiscriminantanalysis，BLDA)來獲得分類的概率投票結(jié)果。其次，基于獲得的后驗概率和概率，我們提出了兩種提高系統(tǒng)分類性能的方法：基于SVM后驗概率的訓練樣本擴充和基于貝葉斯線性判決分析的訓練樣本擴充，其原理是利用大概率的測試樣本數(shù)據(jù)來擴充原本的訓練集合使分類器重新學習。我們把這些分類方法在兩個4類運動想象數(shù)據(jù)集合上進行測試，應用共空間模式的多類擴展方法進行特征提取，然后分別用上面

4、的方法得到概率分類的結(jié)果和擴充樣本后重新學習分類的結(jié)果。文中還比較了兩種常用的多分類方法：一對多SVM和Mahalanobis距離分類器，同時在特征聯(lián)合和模式分類中我們還考慮了信號的時-頻-空域的聯(lián)合分類和分類器聯(lián)合方法。測試結(jié)果表明：(1)概率信息能提高BCI的分類性能；(2)基于概率信息的樣本擴充方法能使得分類器進行重新的學習，得到更穩(wěn)定的分類結(jié)果，故能減小訓練的過程和增加機器學習的自適應性；(3)特征的聯(lián)合與分類器聯(lián)合在BCI的分