论文部分内容阅读
脑机接口(Brain-Computer Interface,BCI)作为多学科交叉应用的新兴研究技术,受到等众多领域的青睐,比如,神经科学、人工智能、模式识别。脑机接口是一种全新通信技术,可以不依赖任何肌肉组织就能达到与外部设备通信、控制的目的,一直受到各界广泛关注。在脑机接口研究领域,运动想象(Motor Imagery,MI)脑机接口是BCI其中一类,只需要被试进行简单的动作想象就可以在大脑皮层产生相应信号作为BCI的输入,因此受到特别关注。BCI系统可分为多个模块,比如采集、预处理,特征提取,分类和输出模块。BCI系统最重要的就是良好的分类准确率。为此,本文主要针对脑机接口中脑电预处理、特征提取、分类等进行了以下研究:脑电信号是具有非平稳非线性、高维数、低信噪比的复杂生物电信号,单一的时域或者频域分析具有较大局限性,联合时频分析的小波变换无法完全区分和脑电信号相似的伪迹成分,降低分类识别率。鉴于此,提出了一种基于多域特征的随机子空间集成学习实现运动想象脑电分类的方法,本文结合MI信号特有的ERD/ERS特性分析,快速准确定位出最佳时频段,多算法互补提取多域特征作为特征向量,结合交叉验证自适应确定集成规模,最后集成线性判别分析(Linear Discriminant Analysis,LDA)分类器用于分类输出。实验结果表明,本文提取的多域特征比单一的特征可提高3%左右的正确率,随机子空间集成比传统集成学习算法至少可以提高2.14%的正确率,适合用于脑电分类。结果显示,在BCI II数据集III上所提方法分类准确率为90.71%,BCI IV数据集2b上Kappa系数可以达到0.63,均优于竞赛第一名成绩。在集合了多域特征的BCI系统中,集成学习确实优势明显,能提升系统可靠性的同时获得较高分类正确率。本文提出了一种基于XGBoost的Stacking集成模型用于运动想象脑电分类研究。第一层由XGBOOST、随机森林(Random Forest,RF)和逻辑回归(Logistic Regression,LR)模型构成,第二层由XGBOOST模型最后输出。实验结果表明,本文提出的Stacking模型在数据集BCI 2003(Data set III)正确率可达89.29%,精确率可到89.86%,召回率可达88.57%,F1值可达89.21%。对比其他分类算法,如KNN、SVM、RF、GBDT、XGBoost,本文所用分类模型比单一模型正确率至少可提高3.58%,可为后续运动想象脑电分类研究提供一定参考价值。