基于方差和深度学习的脑电信号分类算法

《基于方差和深度学习的脑电信号分类算法》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于方差和深度学习的脑电信号分类算法殷昕陈宇东北林业大学信息与计算机工程学院摘要：为了改善传统脑电信号分类不够准确且分类难度较大的问题，研究一种基于方差和深度学习的模型对脑电信号进行分类。针对脑电信号图像识别率较低的问题,采用方差对脑电信号进行特征提取，结合深度学习的一种典型方法一一深度信念网络对提取数据进行训练，构建分类器，实现对脑电信号更高效的分类。实验证明，相比于SVM支持向量机、朴素贝叶斯等分类算法，该模型可以更准确地分类。关键词：脑电信号分类;方差;深度学习算法;分类器;作者简介：殷昕(1996-)，

2、女，硕-上研究牛，研究方向：图像处理;模式分类.收稿日期:2017-06-29基金：中央高校基本科研业务费专项资金项目(2572015DY07)EEGdetectionclassificationalgorithmbasedonvarianceanddeeplearningalgorithmYINXinCHENYuSchoolofInformationandComputerScience,NortheastForestryUniversity;Abstract：Inordertoimprovetheproble

3、mthatthetraditionalEEGclassificationisnotaccurateandtheclassificationisdifficult,thispaperproposesamodelbasedonvarianeeanddepthlearningtoclassifytheEEGsigneils.Aimingattheproblemof1owrecognitionrateinEEGsignal,thispaperusesthevariancctocxtreictthefcatureofEE

4、Gsignal,combinedwithatypicalmethodofdepthlearning-depthbeliefnetworktotraintheextracteddataandconstructclassifier.TheEEGsignalismoreefficientclassification.ExperimentsshowthatcomparedwithSVMsupportvectormachineandNaiveBayesianclassificationalgorithm,thismode

5、lcanbemoreaccuratclyclassified.Keyword：EEGdetectionclassification;vdrinnee;depthlearningdlgorithm;classifier;Received：2017-06-29一百多年前，德国生物学家汉斯伯格检测到脑电波，此后经过后人前赴后继的研究，脑波检测技术得到空前的发展。脑电波的电位十分微弱，人的大脑在不同的精神状态下会持续不断地输出不同的脑电波。通过采集脑电波并分析，就能够获得一系列的信息。目前，人们对脑电波的采集和开发主要

6、应用在医疗健康、游戏娱乐、特殊教育等领域。随着脑波芯片集成技术的发展，脑波相关产品的多样性也得以提高，这为脑波控制的口常化奠定了技术基础。随着芯片集成技术的不断成熟，人们也渐渐研发出脑波检测集成芯片。2005年,NeuroSky（神念科技）研发出第一块脑波检测芯片TGAM,之后不到3a便相继研发出第二代芯片、第三代芯片。这种芯片体积非常小，不需要涂抹凝胶。而且在嘈杂的环境中，也可以检测到脑波数据，口具有很高的准确度。通过这种芯片，可以对脑波进行即时检测。随着脑波芯片集成技术的发展，脑波相关产品的多样性也得以提高

7、，这为脑波控制的FI常化奠定了技术基础。在我国，对于脑电信号的研究相比于其他国家来说比较晚，早期在借鉴国外研究成果的基础上，对其进行优化和改进。随着我国科技的飞速发展，对于脑电信号分类也有了很大的进步。但是，由于脑电形成原因不是一成不变的，各类分类算法还存在着准确率不高、分类不均匀等问题。通常对于脑电信号分类算法的研究主要分为两个阶段:首先是将样本的特征提取出来，获得能够区分出脑电信号类别的特征，同时降低维度。结构法、频谱法、模型方法和统计法是国内外学者常用的基于数字图像处理的纹理算法山。接下来对提取出来的特征

8、进行分类，进而对脑电信号进行识别。SVM支持向量机、BP神经网络、贝叶斯、决策树、ELM极限学习机宜等方法通常用來进行分类。本文采用的是使用方差对脑电信号信息进行特征提取，取得脑电的特征数据。深度学习是机器学习的一个新的突破，通过模拟人脑的视觉肌理对数据进行特征的训练和识别，在图像分类领域取得了更加显著的效果。本文采用的深度信念网络（DeepBeliefNetworks）是深度学习算法