腦電信號(hào)的稀疏特征提取與識(shí)別系統(tǒng).pdf

1、近年來(lái)，腦機(jī)接口（Brain-Computer Interface，BCI）因其極高的應(yīng)用價(jià)值以及廣闊的應(yīng)用前景逐漸被人們所熟知，作為腦機(jī)接口中的核心技術(shù)，腦電信號(hào)的研究引起國(guó)內(nèi)外科學(xué)工作者的廣泛關(guān)注。由于腦電信號(hào)是一種非平穩(wěn)且產(chǎn)生機(jī)理極其復(fù)雜的隨機(jī)信號(hào)，因此，如何有效地提取腦電信號(hào)中的有用信息并對(duì)其分類識(shí)別，對(duì)腦電信號(hào)的研究發(fā)展至關(guān)重要。
　　本課題主要針對(duì)腦機(jī)接口中的關(guān)鍵模塊：特征提取，模式識(shí)別進(jìn)行了研究，并在進(jìn)行分類識(shí)別之前

2、進(jìn)行特征選擇。最終基于MATLAB GUI將各模塊集成為一個(gè)腦電信號(hào)的特征提取與識(shí)別系統(tǒng)。本文的主要研究工作如下：
　　1.本文闡述了當(dāng)前常用的腦電信號(hào)特征提取方法。通過(guò)小波分解與重構(gòu)得到腦電信號(hào)的時(shí)頻域特征；然后對(duì)腦電信號(hào)進(jìn)行AR建模，構(gòu)建過(guò)完備稀疏基，通過(guò)隨機(jī)抽取行得到欠定方程組，采用1內(nèi)點(diǎn)法求得AR模型系數(shù)，作為另一組特征。最后合并兩種方法得到的特征集，克服了采用單一種類的特征提取方法所得特征的信息量不足的問(wèn)題。
　　

3、2.研究了特征選擇算法，尤其是基于遺傳算法的特征選擇算法。合并特征集后，采用基于kNN（k-Nearest Neighbor）的遺傳算法進(jìn)行最優(yōu)特征集選擇，然后輸入分類器進(jìn)行識(shí)別。在實(shí)驗(yàn)中采用支持向量機(jī)等分類方法驗(yàn)證特征選擇算法的效果，結(jié)果表明，通過(guò)遺傳算法進(jìn)行特征選擇后，分類正確率達(dá)到96.43％。
　　3.結(jié)合BCI系統(tǒng)的構(gòu)成，在MATLAB中將本課題中實(shí)現(xiàn)的腦電信號(hào)的特征提取，特征選擇以及分類識(shí)別等模塊統(tǒng)一集成到一個(gè)方便人機(jī)