基于稀疏度量的运动想象脑电特征提取和模式识别算法研究

《基于稀疏度量的运动想象脑电特征提取和模式识别算法研究》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、电子科技大学UNIVERSITYOFELECTRONICSCIENCEANDTECHNOLOGYOFCHINA硕士学位论文MASTERDISSERTATION论文题目基于稀疏度量的运动想象脑电特征提取和模式识别算法研究学科专业生物医学工程学号201121090323作者姓名李沛洋指导教师徐鹏副研究员分类号密级注1UDC学位论文基于稀疏度量的运动想象脑电特征提取和模式识别算法研究（题名和副题名）李沛洋（作者姓名）指导教师徐鹏副研究员电子科技大学成都（姓名、职称、单位名称）申请学位级别硕士学科专业生物医学工程提交论文日期2014.04论文答辩日期2014.05

2、.27学位授予单位和日期电子科技大学2014年06月27日答辩委员会主席饶妮妮评阅人郭大庆、严红梅注1：注明《国际十进分类法UDC》的类号。THESTUDYOFSPARSEMEASUREMENTBASEDFEATUREEXTRACTIONANDCLASSIFICATIONINMOTORIMAGERYEEGAMasterDissertationSubmittedtoUniversityofElectronicScienceandTechnologyofChinaMajor:BiomedicalEngineeringAuthor:PeiyangLiAdviso

3、r:PengXuSchool:SchoolofElectronicEngineering独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。作者签名：日期：年月日论文使用授权本学位论文作者完全了解电子科技大学有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，

4、允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。（保密的学位论文在解密后应遵守此规定）作者签名：导师签名：日期：年月日摘要摘要对大脑的保护和信息挖掘是21世纪科技的热门研究课题，而―脑功能的研究‖是―了解脑‖的基本途径。脑电图(Electroencephalography,EEG)具有较高的时间分辨率，可以在毫秒量级的尺度上的记录大脑信息的处理过程，从而决定了其在脑功能信息挖掘中的重要地位。目前，基于脑电的脑-机接口技术已经在医疗和娱乐领域得到了广泛的应用

5、和发展。然而，从脑电放大器采集到的脑电信号往往具有非平稳性，且样本维度通常远远大于样本个数，包含了较多的异常值(Outliers)。特别是在脑-机接口领域，这类问题表现得更为突出。因此，在分析前常常需要预先提取相应的特征以实现数据样本的降维。当前，一些经典的脑电特征提取和模式识别方法如：共空间模式识别，主成分分析，线性判别分析等都是基于L2模的数值求解方法。由l2范数导出的求解方法虽然具有很好的平滑性，但不具备稀疏性，并且容易受到Outliers的影响，这些干扰会阻碍脑电信号的后续分析研究。从统计学的角度看，基于lp范数框架设计出的算法比l2范数对Outl

6、iers的抑制有明显的优势。因此，发展基于稀疏度量方法的脑电研究系统具有重大的理论和实践意义。本文针对脑电信号采集过程中引入的Outliers，对基于l2范数的经典特征提取和模式识别方法进行改进，发展相应的方法抑制Outliers影响，最终构建基于相关方法的稳健脑-机接口在线系统。主要内容如下：1.特征提取：基于最小2乘估计（leastsquaresestimation,LES）的脑电特征容易扩大Outliers的影响，从而扭曲特征对样本的反映。本工作中针对该问题，将基于l1范数的奇异值分解方法(L1-SVD)应用到共空间模式分析(CommonSpatia

7、lPattern,CSP)中，替换原有基于SVD分解的特征向量求解，从而实现对Outliers较好的抑制。仿真和真实运动想象数据的特征提取结果，证实了发展方法良好的噪声抑制能力。2.模式识别：在模式识别中，一些基于l2范数结构的方法也容易受到Outliers的影响，从而影响分类超平面的投影方向。本工作将基于lp范数的度量空间应用到线性判别分析算法中，替换原有基于l2范数的广义瑞利商。将发展的模式识别方法用于仿真数据、真实运动想象数据、基因数据、人脸识别数据以及模式识别标准数据库中的数据，与其他线性判别分析方法相比获得了较高的识别准确率，结果证明新发展的方法

8、能够训练出对Outlier有较强抑制作用的分类器，并具有较高的普适