基于非平稳时间序列分析方法的脑电信号模式识别

《基于非平稳时间序列分析方法的脑电信号模式识别》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、SOOCHOWUNIVERSITY论文题目基于非平稳时间序列分析方法的脑电信号模式识别研究生姓名王欢指导教师姓名费万春专业名称纺织工程研究方向数字化纺织技术论文提交日期2015年3月苏州大学学位论文独创性声明本人郑重声明：所提交的学位论文是本人在导师的指导下，独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不含其他个人或集体已经发表或撰写过的研究成果，也不含为获得苏州大学或其它教育机构的学位证书而使用过的材料。对本文的研究作出重要贡献的个人和集体，均己在文中以明确方式标明。本人承担本声明的法律责任。苏州大学学位论文使用授权声明本人完全了解苏州大学关于收集、保存和使用学

2、位论文的规定，即：学位论文著作权归属苏州大学。本学位论文电子文档的内容和纸质论文的内容相一致。苏州大学有权向国家图书馆、中国社科院文献信息情报中心、中国科学技术信息研究所（含万方数据电子出版社)、中国学术期刊（光盘版）电子杂志社送交本学位论文的复印件和电子文档，允许论文被査阅和借阅，可以釆用影印、缩印或其他复制手段保存和汇编学位论文，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。涉密论文口本学位论文属在_____年_月解密后适用本规定。非涉密论文d论文作者签名:日期：/!錶。气湘导师签名:查...日期：tr年r月％h基于非平稳时间序列分析方法的脑电信号模式识别中文摘要基于非平

3、稳时间序列分析方法的脑电信号模式识别中文摘要脑电信号中蕴含着非常丰富的大脑活动信息，通过对脑电信号的有效处理和分析，可以大致判断出不同的脑机能状态。通过应用计算机技术、非平稳时间序列分析法和信号处理方法，可提取脑电信号中的特征参数并对其进行模式识别研究。本文主要研究不同动作运动想象的脑电信号的识别分类问题。在对脑电信号进行预处理后，选取不同模式相同时间段差异性最大的序列段作为本文脑电信号分析识别的时间序列段，同时建立各时间点与序列段平均值的线性回归方程，并通过多元回归分析法分离其趋势分量与波动分量。利用多变量的时变参数向量自回归(TimeVaryingVectorAuto-regre

4、ssive-TVVAR)模型对波动分量序列进行分析，进一步提取其特征参数。并分别探讨了以误差矩阵的2范数与最小奇异值、马氏距离及其值作为识别指标对脑电信号进行分类识别的效2果与可信度，经分析后选用马氏距离及其值作为本文脑电信号的识别指标。经研究分析发现，在本实验条件下时间序列段长度为12时，脑电信号的识别率较高，其2马氏距离及其值的平均识别率分别为96.11%、95%。本文通过模拟试验证明了TVVAR模型是可以用来识别不同动作运动想象的脑电信号，为脑电信号识别提供了一种新的思路，希望有助于利用相应的假肢技术，有效地帮助残障人士用脑电波控制假肢实现动作。关键词：脑电信号；TVVA

5、R模型；非平稳时间序列；马氏距离作者：王欢指导老师：费万春IAbstractEEGRecognitionthroughTime-varyingVectorARModelEEGRecognitionthroughTime-varyingVectorARModelAbstractEEGcontainsalotofphysiologicalanddiseaseinformationandcanbeusedforclinicaldiagnosisbysomeappropriatetreatment.Anditispossibletoidentifythedifferentconsciousn

6、essthroughtherecognitionofEEGsignal.ThecharacteristicparametersoftheEEGsignalscanbeextractedandtheEEGsignalscanbeclassifiedbythecomputertechnology,thenon-stationarytimeseriesanalysisandsignalprocessingmethods.Inthisthesis,thepatternrecognitionofEEGsignalsofdifferentmovementimaginationisstudied.

7、AfterthepretreatmentofEEGsignals,themostdifferenttimeseriessegmentbetweentwodifferentpatternsisselected.Meanwhile,thelinearregressionequationisestablishedforextractingdeterministiccomponentandstochasticcomponent.Then,thestochastic