資源描述：
《eeg腦機(jī)接口的連續(xù)預(yù)測(cè)方法研究》由會(huì)員上傳分享，免費(fèi)在線(xiàn)閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、中國(guó)科學(xué)技術(shù)大學(xué)博士學(xué)位論文EEG腦機(jī)接口的連續(xù)預(yù)測(cè)方法研究姓名：朱曉源申請(qǐng)學(xué)位級(jí)別：博士專(zhuān)業(yè)：電路與系統(tǒng)指導(dǎo)教師：程義民;吳健康20070401Abstraet摘要腦機(jī)接口(Brain-ComputerInterface，BCI)是一種不依賴(lài)于周邊神經(jīng)和肌肉的人與外界進(jìn)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(yùn)動(dòng)殘疾患者等提供一種與外界溝通的新方法?？焖贉?zhǔn)確地對(duì)腦電信號(hào)進(jìn)行連續(xù)預(yù)測(cè)是腦機(jī)接口研究的關(guān)鍵之一。為了訓(xùn)練學(xué)習(xí)分類(lèi)器對(duì)腦電信號(hào)進(jìn)行連續(xù)地預(yù)測(cè)，試驗(yàn)數(shù)據(jù)常被分割成多個(gè)時(shí)間段。由于實(shí)驗(yàn)者在每個(gè)時(shí)間段(數(shù)據(jù)段)的真實(shí)意圖(標(biāo)號(hào))是未知的，給分類(lèi)器的訓(xùn)練帶來(lái)了
2、較大困難；同時(shí)怎樣對(duì)各片段數(shù)據(jù)的預(yù)測(cè)進(jìn)行很好的融合才能夠?qū)φ螖?shù)據(jù)的類(lèi)別做出即快又準(zhǔn)的判斷；這兩個(gè)問(wèn)題可稱(chēng)為未知標(biāo)號(hào)問(wèn)題和積累問(wèn)題。本文主要針對(duì)以上兩個(gè)問(wèn)題研究設(shè)計(jì)貝葉斯(Bayesian)概率模型，并利用機(jī)器學(xué)習(xí)的方法改進(jìn)腦機(jī)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(biāo)號(hào)作為后驗(yàn)概率下限中的隱變量引入到模型中。模型的參數(shù)通過(guò)Expectation-Maximization算法對(duì)后驗(yàn)概率下限進(jìn)行優(yōu)化而得到。通過(guò)合理處理各段數(shù)據(jù)的未知標(biāo)號(hào)，該方法能較充分利用數(shù)據(jù)的信息，從而可提高分類(lèi)器的性能。給出了兩種積累分類(lèi)方法：1)對(duì)基于混合高斯模型的
3、積累分類(lèi)方法，利用權(quán)值對(duì)各段預(yù)測(cè)進(jìn)行積累從而提高系統(tǒng)性能，權(quán)值的估計(jì)分別基于混合高斯模型及混合高斯分類(lèi)器在各時(shí)段輸出的可區(qū)分度。2)從分類(lèi)器融合的觀點(diǎn)，結(jié)合貝葉斯Logistic模型和Fisher準(zhǔn)則給出了一種新的積累分類(lèi)方法。提出了一種新穎的貝葉斯積累概率模型。通過(guò)引入兩個(gè)輔助分布得到后驗(yàn)概率的下限，可以同時(shí)處理未知標(biāo)號(hào)問(wèn)題和積累問(wèn)題。模型參數(shù)的估計(jì)是利用變分貝葉斯方法對(duì)后驗(yàn)概率的下限進(jìn)行優(yōu)化而得到。分類(lèi)器參數(shù)和權(quán)值在訓(xùn)練過(guò)程中可相互協(xié)調(diào)，從而提高系統(tǒng)的識(shí)別率。以上方法均在腦機(jī)接口領(lǐng)域權(quán)威實(shí)驗(yàn)室組織的腦機(jī)接口競(jìng)賽(2003，2005)提供的三個(gè)公共數(shù)據(jù)集上進(jìn)行了仿真實(shí)
4、驗(yàn)。實(shí)驗(yàn)的結(jié)果表明本文方法能夠提高BCI系統(tǒng)的性能，具有較好的實(shí)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
