eeg腦機接口的連續(xù)預測方法研究

《eeg腦機接口的連續(xù)預測方法研究》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在學術論文-天天文庫。

1、中國科學技術大學博士學位論文EEG腦機接口的連續(xù)預測方法研究姓名：朱曉源申請學位級別：博士專業(yè)：電路與系統(tǒng)指導教師：程義民;吳健康20070401Abstraet摘要腦機接口(Brain-ComputerInterface，BCI)是一種不依賴于周邊神經(jīng)和肌肉的人與外界進行交流和控制的新通道。它為神經(jīng)肌肉疾病患者以及其它運動殘疾患者等提供一種與外界溝通的新方法?？焖贉蚀_地對腦電信號進行連續(xù)預測是腦機接口研究的關鍵之一。為了訓練學習分類器對腦電信號進行連續(xù)地預測，試驗數(shù)據(jù)常被分割成多個時間段。由于實驗者在每個時間段(數(shù)據(jù)段)的真實意圖(標號)是未知的，給分類器的訓練帶來了

2、較大困難；同時怎樣對各片段數(shù)據(jù)的預測進行很好的融合才能夠?qū)φ螖?shù)據(jù)的類別做出即快又準的判斷；這兩個問題可稱為未知標號問題和積累問題。本文主要針對以上兩個問題研究設計貝葉斯(Bayesian)概率模型，并利用機器學習的方法改進腦機接口性能。論文主要工作如下：在貝葉斯理論框架下提出了新穎的概率模型。將未知標號作為后驗概率下限中的隱變量引入到模型中。模型的參數(shù)通過Expectation-Maximization算法對后驗概率下限進行優(yōu)化而得到。通過合理處理各段數(shù)據(jù)的未知標號，該方法能較充分利用數(shù)據(jù)的信息，從而可提高分類器的性能。給出了兩種積累分類方法：1)對基于混合高斯模型的

3、積累分類方法，利用權值對各段預測進行積累從而提高系統(tǒng)性能，權值的估計分別基于混合高斯模型及混合高斯分類器在各時段輸出的可區(qū)分度。2)從分類器融合的觀點，結合貝葉斯Logistic模型和Fisher準則給出了一種新的積累分類方法。提出了一種新穎的貝葉斯積累概率模型。通過引入兩個輔助分布得到后驗概率的下限，可以同時處理未知標號問題和積累問題。模型參數(shù)的估計是利用變分貝葉斯方法對后驗概率的下限進行優(yōu)化而得到。分類器參數(shù)和權值在訓練過程中可相互協(xié)調(diào)，從而提高系統(tǒng)的識別率。以上方法均在腦機接口領域權威實驗室組織的腦機接口競賽(2003，2005)提供的三個公共數(shù)據(jù)集上進行了仿真實

4、驗。實驗的結果表明本文方法能夠提高BCI系統(tǒng)的性能，具有較好的實用前景。XIAbstractBrain—computerinterface(BCI)providesanewcommunicationandcontrolchannelthatdoesnotdependonthebrain’Snormaloutputchannelsofperiphemlnervesandmuscles．Itprovidesaradicallyaewcommunicationoptiontopeoplewithneuromuscularimpairmentsorwithothersevere

5、motordisabilitieswhichpreventthemfromusingconventionalaugmentativetechnologies．TodevelopeffectivelearningalgorithmsforcontinuouspredictionusingElectroencephalogram(EEG)signalisachallengingresearchissueinBCI．Tomakecontinuousprediction，trialsintrainingdatasetalefirstdividedintosegments．How

6、ever,theactualintention(1abel)ateachtimeimerval(segment)isunknown，whichimposesgreatdifficultyinclassifiertraining．Andhowtoaccumulatethepredictionsatindividualtimeintervalsacrosstimetorecognizethefinallabelofthewholetrialasearlyandaccurately嬲possibleisalsoakeyissue．Wedenotetheabovetwoprob

7、lemsas‘‘UnlabeledProblem”and“AccumulativeProblem”．ThemaincontributionsofthisthesisfocusondevelopingnovelBayesianprobabilisticmodelstoaddresstheabovetwoissuesinmachinelearningaleatOimprovetheperformanceofBClsystem．Fortheunlabeledproblem，wedesignanovelprobabilisticmodelunde