無模型貝葉斯分類器方法及在腦電波信號(hào)識(shí)別中的應(yīng)用.pdf

1、隨著科技的發(fā)展，對(duì)于那些大腦健康而肢體行動(dòng)不便或者無法行動(dòng)的患者，例如:肌萎縮側(cè)索硬化癥(ALS)患者，越發(fā)的渴望能夠通過自己的大腦直接與外部設(shè)備進(jìn)行交流，腦-機(jī)接口(Brain-Computer Interface，BCI)技術(shù)就在這種背景下出現(xiàn)并快速發(fā)展。腦電波信號(hào)的分類算法作為BCI技術(shù)中一個(gè)重要的環(huán)節(jié)，對(duì)其進(jìn)行研究將有著重大的現(xiàn)實(shí)意義及實(shí)用價(jià)值。
　　本文的主要研究?jī)?nèi)容:
　　1.針對(duì)樸素貝葉斯分類器(Na(i)ve

2、 Bayesian Classifier, NBC)及貝葉斯網(wǎng)絡(luò)(Bayesian Network，BN)的不足進(jìn)行了改進(jìn)，基于最近鄰(NearestNeighbor, NN)算法，建立一個(gè)計(jì)算聯(lián)合概率分布的概率估計(jì)器，并提出一種無模型貝葉斯分類器(Model-Free Bayesian Classifier, MFBC)算法實(shí)現(xiàn)數(shù)據(jù)的分類。
　　2.提出一種新型的自組織特征提取算法，并對(duì)MFBC算法進(jìn)行擴(kuò)展，從而能夠處理回歸問題

3、，通過與極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)進(jìn)行比較，從而驗(yàn)證了擴(kuò)展后的MFBC處理回歸問題的有效性。
　　3.根據(jù)模糊C均值(Fuzzy C Means，F(xiàn)CM)聚類算法對(duì)人造腦電波信號(hào)數(shù)據(jù)與真實(shí)腦電波信號(hào)數(shù)據(jù)進(jìn)行區(qū)分。
　　4.進(jìn)行對(duì)腦電波信號(hào)識(shí)別系統(tǒng)的設(shè)計(jì)，包括UCI（University of California Irvine)數(shù)據(jù)及腦電波數(shù)據(jù)的導(dǎo)入、MFBC算法、實(shí)驗(yàn)結(jié)果分析等功