运动想象脑电信号特征提取与分类研究

运动想象脑电信号特征提取与分类研究

ID:35186905

大小:3.40 MB

页数:68页

时间:2019-03-21

运动想象脑电信号特征提取与分类研究_第1页
运动想象脑电信号特征提取与分类研究_第2页
运动想象脑电信号特征提取与分类研究_第3页
运动想象脑电信号特征提取与分类研究_第4页
运动想象脑电信号特征提取与分类研究_第5页
资源描述:

《运动想象脑电信号特征提取与分类研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、硕士学位论文题目:运动想象脑电信号特征提取与分类研究研究生丁晓慧专业模式识别与智能系统指导教师马玉良副教授完成日期2016年3月杭州电子科技大学硕士学位论文运动想象脑电信号特征提取与分类研究研究生:丁晓慧指导教师:马玉良副教授2016年3月DissertationSubmittedtoHangzhouDianziUniversityfortheDegreeofMasterReaserchofFeatureExtractionandClassificationforMotorImageryEEGCandidate:DingXiaohuiSupervi

2、sor:AssociateProf.MaYuliangMarch,2016杭州电子科技大学学位论文原创性声明和使用授权说明原创性声明,本人郑重声明:所呈交的学位论文,是本人在导师的指导下独立进行研究工作所取得的成果。除文中己经注明引用的内容外,本论文不含任何其他个人或集体已经发表或撰写过的作品或成果。对本义的研巧做出重要贡献的个人和集体,均已在文中^^^明确方式标明。^切相关责任申请学位论文与资料若有不实之处,本人承担。论文作者签名:日期:从^>年今月化日了獻|学位论文使用授权说明目本人完全了解杭州电子科技大

3、学关于保留和使用学位论文的规定,P:研巧生在校攻读学位期间论文工作的知识产权单位属杭州电子科技大学。本人保证毕业离校后,发表论文或使用论文工作成果时署名单位仍然为杭州电子科技大。,允许查閱和借阅论文学学校有权保留送交论文的复印件:学校可臥公布论文的全部或部分内容(保密,可封允许采用影印、缩印或其它复制手段保存论文。论文在解密后遵守此规定):论文作者签名:^蔽赛日期W许歹月皆日指导教师签名:日期:2〇化年日3?月^若杭州电子科技大学硕士学位论文摘要脑-机接口(Brain-ComputerInterface,BCI)

4、是一门新的技术,随着科学技术的发展越来越受到社会各界的关注。BCI系统通过电极帽等设备检测大脑皮层电活动,将大脑产生的电信号转换为对外部设备的控制信号,实现控制信息的传达进而实现与外部世界的交流。因此可以利用脑电信号(electroencephalogram,EEG)控制外部辅助设备,为行动不便的患者提供重新与外部环境交流的机会。本文对两类运动想象的脑电信号进行了研究,结合脑电信号的非线性和节律性等特点,针对EEG信号提取的特征区分度不明显以及分类识别率不高等问题,从对消除EEG信号中的噪声、提高特征向量的区分度和优化分类器性能入手,提高脑电信号分

5、类识别率。本文主要进行以下研究工作:(1)脑电信号的预处理:在软阈值算法的基础上,采用改进的软阈值算法进行消噪。将改进的软阈值与传统的硬阈值、软阈值进行对比,并且利用信噪比和均方误差定量评估消噪效果。改进后的阈值算法在保留原有算法的优点的同时改进了不足,提高了信噪比。(2)运动想象脑电信号特征提取:针对脑电信号的非线性和非平稳性,且受试者在进行运动想象时会产生ERD/ERS现象。本文提出了小波变换和模糊熵相结合的方法用于运动想象脑电信号的特征提取。对C3和C4通道的脑电信号先利用小波变换进行多层分解提取出alpha节律和beta节律波,然后利用模糊

6、熵对其进行特征提取,并采用2008年的BCI竞赛数据验证有效性和可行性。(3)运动想象脑电信号模式分类:针对支持向量机(SVM)在核函数参数选取上存在的问题,采用粒子群算法(PSO)对支持向量机的惩罚参数C和核参数g进行迭代寻优提高分类器的性能,再将优化后的分类器用于运动想象EEG信号的分类预测,并详细描述了粒子群算法优化SVM的原理和基本流程。(4)实验结果与分析:采用2005年脑-机接口竞赛数据BCICompetitionIIIdataIVa和2008年竞赛数据BCICompetitionIVDatasets1进行运动想象脑电信号特征提取和分类

7、识别实验。实验1结果表明粒子群优化后支持向量机能有效提高EEG信号的分类识别正确率,实验2采用小波模糊熵进行特征提取后结合粒子群优化支持向量机的算法进行分类,实验结果表明小波模糊熵算法能有效的提取EEG信号特征,PSO优化后SVM分类器识别率比传统的SVM要高。关键词:脑电信号,小波阈值,小波变换,模糊熵,粒子群,支持向量机I杭州电子科技大学硕士学位论文ABSTRACTBrain–ComputerInterface(BCI)isanewtechnologywhichhasattractedmoreandmoreattentionofthecommu

8、nitywiththedevelopmentofscienceandtechnology.InBCIsystem,thee

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。