基于支持向量机脑机接口思维任务分类的研究

基于支持向量机脑机接口思维任务分类的研究

ID:36832210

大小:3.33 MB

页数:55页

时间:2019-05-16

基于支持向量机脑机接口思维任务分类的研究_第1页
基于支持向量机脑机接口思维任务分类的研究_第2页
基于支持向量机脑机接口思维任务分类的研究_第3页
基于支持向量机脑机接口思维任务分类的研究_第4页
基于支持向量机脑机接口思维任务分类的研究_第5页
资源描述:

《基于支持向量机脑机接口思维任务分类的研究》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、河北工业大学硕士学位论文基于支持向量机脑机接口思维任务分类的研究摘要脑机接口是在人脑与计算机或其它电子设备之间建立的直接交流和控制通道,通过这种通道,人就可以直接通过脑来表达想法或操纵设备,而不需要语言或动作。脑机接口是一种全新的通讯和控制技术。它对大脑正常但有运动功能障碍的人具有辅助作用,为需要在特殊环境下作业的人群提供一种新途径,以及促进认知脑科学和神经电生理学研究的发展,总之BCI的研究工作将具有重大的实用价值。对提取到的脑电信号进行分类是脑机接口中重要的一个环节,并且也是不可缺少的一个环节。在对思维任务分类时,首先将对脑电数据进行处理,将得到的数据进行分类

2、。本文中采用支持向量机的方法,之所以选择支持向量机的方法是因为它具有以下特点:支持向量机可有效解决小样本问题,学习结果具备全局最优,并且有效地解决了非线性与高维问题,使学习结果具备良好的推广能力。但是手动的选择参数是盲目的,为了解决这个问题,考虑到免疫算法在优化参数上有很好的贡献,所以本论文采用一种改进的支持向量机的分类方法——免疫支持向量机,它是将免疫算法与支持向量机相结合,以此来优化参数,选出最优参来提高分类的推广精度。在免疫支持向量机理论的基础上加以改进,采用了加权免疫支持向量机和维权重免疫支持向量机两种分类器。考虑到多分类中样本不均衡的问题采用加权免疫支持

3、向量机对样本进行加权;维权重免疫支持向量机是为各维特征向量赋予各自不同的权重系数,从而解决了各维特征向量对最终推广精度的贡献不同的问题。维权重支持向量机的分类精度比较高,这证明了本文所采用方法的有效性,并为多类意识任务的识别提供了一种新的方法。关键词:脑机接口,支持向量机,免疫算法,思维任务,维权重支持向量机i基于支持向量机脑机接口思维任务分类的研究RESEARCHONMENTALTASKSCLASSIFICATIONINBCIBASEDONSUPPORTVECTORMACHINESABSTRACTBraincomputerinterfaceprovideadir

4、ectcommunicationandcontrolchannelforsendingmessagesandinstructionsfrombraintoexternalcomputersorotherelectronicdevices.Usingthenon-muscularchannel,subjectswithsevereneuromusculardysfunctioncandirectlyexpresstheirthoughtandmanipulatetheexternaldeviceswithoutusinghumanlanguageandactions

5、.Braincomputerinterfacesanewcommunicationandcontrolmethod.TheresearchworkofBCIhasagreatpracticalvalue.Forexample,ithasboosteractionforpeoplewhoarethespecialpopulations,itprovidesanewapproachforthepeoplewhoworkinspecialenvironment,anditcanadvancethedevelopmentoftheresearchofbrainscienc

6、eandelectroneurophysiology.TheclassificationoftheEEGsignalextractedfrombrainisanimportantandindispensablepartinBCI.Pre-processingtheEEGisneededtogetdatawhichisrequiredforclassification.Inthispaper,supportvectormachineisusedtoclassifieddifferentmentaltasksduetoitsadvantages:Itcaneffect

7、ivelysolvetheproblemofsmallsample,thenon-linearandthehigh-dimension.Itslearningprocesscangetglobaloptimum.Themodelestablishedfromlearningprocesshasgoodgeneralizationability.However,selectingparametersforSVMisacomplicatedproblem.Itisblindtoselectparametersmanually.Inordertosolvethispro

8、blem,

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。