運動想象分類算法比較研究.pdf

1、許多患者都患有神經(jīng)癥狀或神經(jīng)退行性疾病，擾亂了大腦至脊髓及其最終目標即肌肉的正常信息流，進而影響人的行動意圖。基于腦電的腦—機接口（Brain-Computer Interface，BCI）作為一種新型的人機交互手段，為大腦提供一種全新的非肌肉輸出通道，把用戶的意圖傳遞給外部世界。因為運動想象是患者向外部世界傳遞意圖的一個重要實驗范式，所以研究基于運動想象腦電的特征提取和分類算法具有重要的現(xiàn)實意義。
　　本文研究四種運動想象特征提

2、取算法和一種線性分類算法，主要對這四種運動想象特征提取方法進行了深入、系統(tǒng)的研究。并用Fisher分類器對每一種算法得到的特征進行了分類，并對結(jié)果進行了比較研究。論文的主要內(nèi)容如下：
　　1.詳細闡述了EEG信號的采集過程、信號的預處理以及 BCI信號處理的基本流程。
　　2.深入研究并獨立地實現(xiàn)了四種腦電特征提取的方法，分別是基于事件相關(guān)同步/去同步（ERS/ERD）特征提取算法、基于自回歸模型（AR）特征提取算法、基于聯(lián)

3、合回歸模型（JR）特征提取算法以及基于共同空間模式（CSP）特征提取算法。
　　3.深入研究并實現(xiàn)了著名的線性分類算法 Fisher。為運動想象特征的分類提供了基礎(chǔ)性的算法。
　　4.采用本文提出的方法對實驗室自主數(shù)據(jù)和BCI2003競賽數(shù)據(jù)進行了特征提取并對分類結(jié)果進行了比較研究。實驗結(jié)果表明，ERS/ERD,JR,CSP算法得到的特征都能夠得到比較理想結(jié)果，針對實驗室自主數(shù)據(jù)測試集，這三者的分類準確率幾乎都能達到90％。

4、針對BCI2003競賽數(shù)據(jù)，測試數(shù)據(jù)集分類準確率都能達到70%以上。需要強調(diào)的是基于 JR的特征提取算法是我們首次在文獻中提出的。
　　5.本文最后提出，單一的特征提取算法得到的特征可能不是最優(yōu)特征。為了算法的穩(wěn)定性和普適性，最后用于分類的特征最好應該是多種特征的組合。本文最后選取ERS/ERD提取的特征（頻域特征）和JR提取的特征（時域特征）對這兩組數(shù)據(jù)分別再次做了分析，最后針對實驗室數(shù)據(jù)，測試集準確率能夠達到97.86%，針對