论文部分内容阅读
科学家们认为,在新世纪,我们会在脑科学和认知神经科学这两个研究方向取得突破性进展。在针对脑机接口研究中存在信号传输速率慢和脑电信号正确率低的两种问题,本文分别在二分类脑电和四分类脑电上进行解决,二分类和四分类分别在第三届脑电大赛的数据集一和第三届脑电大赛的数据集三a中进行验证,并且都超过了脑电大赛第一名在该数据集上的准确率。二分类首次采取了S变换(Stockwell transformation),遗传算法和BP(Back propagation)神经网络结合的方法,并且取得了不错的成绩。在特征提取中采取了S变换,S变换的高斯窗口是局部可伸缩和移动的,这是连续小波变换不具备的一些特性。S变换可以建立与傅里叶频谱之间的关系,同时它提供的分辨率是和频率相关的。特征优化选择了遗传算法,分类算法选择了反向传播神经网络,采用遗传算法去优化BP(Back propagation)神经网络后,BP神经网络不用再设置随机的权值和阈值,在BCI竞赛III的数据集I中进行了验证,准确率达到了94.5%,比脑电大赛第一名的91%提高了3.5%的准确率。第二章的基于二分类的脑电信号的研究分为两个部分,第一部分是根据S变换求出脑电特征,第二部分使用遗传算法求出BP神经网络的权值和阈值,并在十层的神经网络上进行了分类,且在该数据集的验证上,准确率超过了大部分的算法。四分类在特征提取中采用了PW-CSP(pair-wise CSP),hilbert变换,在分类上选择了SVM(Support vector machine),实验结果在BCI竞赛III的3a中进行了验证,在k3b被试的准确率达到了94.4%,在l1b被试上的准确率达到了83.3%,平均准确率达到了88.85%,脑电大赛的最高准确率78%,提高了10.85%的准确率。第四章的基于四分类的脑电信号的研究分为两个部分,第一部分是特征信号的算术求和,第二部分是单个支持向量机的细分类过程,算法简单,时间开销小,具有实用价值,程序运行简单,且在该数据集的验证上,准确率超过了大部分的算法。