基于流形学习的脑电特征提取方法及应用

《基于流形学习的脑电特征提取方法及应用》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、中文图书分类号：TP18密级：公开UDC：621.3学校代码：10005硕士学位论文MASTERALDISSERTATION论文题目：基于流形学习的脑电特征提取方法及应用论文作者：罗新勇学科：控制科学与工程指导教师：李明爱教授论文提交日期：2016年6月UDC：621.3学校代码：10005中文图书分类号：TP18学号：S201302133.密级：公开北京工业大学工学硕士学位论文题目基于：流形学习的脑电特征提取方法及应用RESEARCHANDAPPLICATIONOF英文题目MANIFOLDLEARNINGFOR：FEATUREEXTRACTIONINEEG论

2、文作者：罗新勇学科：控制科学与工程研究方向：智能系统与智能信息处理申请学位：工学硕士指导教师：李明爱教授所在单位：电子信息与控制工程学院答辩日期：2016年6月授予学位单位：北京工业大学独创性声明本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，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，也不包含为获得北京工业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了谢意。签名：罗新勇日期：2016年6月8日关于论文使用授权的说明

3、本人完全了解北京工业大学有关保留、使用学位论文的规定，即：学校有权保留送交论文的复印件，允许论文被查阅和借阅；学校可以公布论文的全部或部分内容，可以采用影印、缩印或其他复制手段保存论文。（保密的论文在解密后应遵守此规定）签名：罗新勇日期：2016年6月8日导师签名：李明爱日期：2016年6月8日摘要摘要人在受到外界刺激或者进行主动思维活动时，脑神经细胞在大脑皮层会产生具有特异性、节律性的脑电信号。这种生物电信号不仅包含了大量生理或疾病信息，而且与人的意识状态具有紧密的相关性。能否准确提取和正确解读运动想象（MotorImageryElectroencephal

4、ography，MI-EEG)的特征信息，成为其在脑功能研究、疾病诊断及康复领域成功应用的关键。传统的MI-EEG特征提取方法大多是从信号的时间域、频率域、时频域或空间域来考虑的，对于MI-EEG在高维空间中的非线性流形结构上涉及较少。为了在最大限度保持原始信号非线性流形结构信息的前提下，对脑电信号进行数据降维和特征提取，众多数据降维方法被引入到脑机接口(BrainComputerInterface,BCI)领域当中。然而，这些方法绝大多数是线性的或者局部线性的，这难免会导致在处理真实世界非线性数据过程中出现真实信息丢失的问题。为了试图从数据集内蕴非线性几何分

5、布的角度对脑电信号进行数据挖掘，同时兼顾脑电信号的时频特点与神经生理特性，本论文将流形学习应用于脑电信号的特征提取中并与传统的EEG时频特征进行融合，最后将该算法成功应用于具有现实意义的BCI系统中。本文的主要工作包括：1、提出一种局部线性嵌入（LocallyLinearEmbeddingalgorithm，LLE）和离散小波变换（DiscreteWaveletTransform，DWT）的运动想象脑电信号的特征提取方法，即DWT-LLE。首先，利用利用小波变换提取EEG信号特定频段的时频特性；然后，对低频段的小波系数使用LLE方法进行非线性结构特征的挖掘的同

6、时，对其他频段小波系数求取脑电信号的能量的分布特征；最后，将二者结合组成最终的特征矢量，使用经过GA优化的BP神经网络进行数据分类。该方法在兼顾脑电信号非线性、时频性、节律性、神经生理特性的基础上，成功实现了其数据降维的目的。在国际BCI竞赛标准数据上使用SVM进行模式分类实验，该算法相比同类的方法表现出较高分类正确率的同时兼具稳定性。2、在DWT-LLE的研究过程中，发现以LLE为代表的传统的流形学习算法在数据降维过程中无法提供从高维观测空间到低维特征空间的非线性映射关系，这使得其在模式识别的任务中具有对于训练样本外的数据泛化性能较弱的缺点。针对该问题，本文

7、提出一种基于DWT和参数化t分布随机邻嵌入(parametrict-DistributedStochasticNeighborEmbedding,P.t-SNE)的算法，即DWT-P.t-SNE。该算法一个基于限制性玻尔兹曼机I北京工业大学工学硕士学位论文（RestrictedBoltzmannMachines，RBMs）的多层神经网络备用来对一个非线性映射关系进行参数化的，用来弥补传统ML方法泛化能力较弱的缺点。从而在完成脑电信号数据降维的同时，并与使用DWT得到的时频特征进行融合，得到包含EEG时频信息和非线性信息的特征。我们发现：使用该法得到的特征在3维

8、空间表现出明显聚类分布性以及独特的流形