基于空間分解與決策融合的神經(jīng)信號(hào)識(shí)別.pdf

1、神經(jīng)解剖學(xué)和腦科學(xué)的研究表明，模塊化是人腦高效地進(jìn)行智能推理的關(guān)鍵。由于模式識(shí)別在本質(zhì)上是對(duì)人腦信息處理的一種模擬，因此上述模塊化認(rèn)知過程對(duì)于探討新的模式識(shí)別算法，具有重要的啟發(fā)意義。 本文首先回顧了單識(shí)別系統(tǒng)的缺陷以及人腦的模塊化特點(diǎn)，介紹了在識(shí)別系統(tǒng)設(shè)計(jì)中新出現(xiàn)的幾種具有“模塊化結(jié)構(gòu)”特點(diǎn)的識(shí)別方法，以及進(jìn)行仿真評(píng)估時(shí)的應(yīng)用對(duì)象—神經(jīng)信號(hào)。接著介紹了神經(jīng)信號(hào)的檢測(cè)過程，并對(duì)神經(jīng)信號(hào)在不同動(dòng)作模式下的行為特征，結(jié)合定量分析與定

2、性比較，從時(shí)域、頻域以及時(shí)頻域的角度進(jìn)行了研究。在此基礎(chǔ)上，首先按照傳統(tǒng)的單識(shí)別系統(tǒng)設(shè)計(jì)方式，構(gòu)造了特征向量和分類器，給出了精度評(píng)估，作為對(duì)識(shí)別系統(tǒng)進(jìn)行模塊化設(shè)計(jì)的對(duì)比。隨后，從空間分解的角度，詳細(xì)闡述了如何對(duì)識(shí)別系統(tǒng)進(jìn)行模塊化設(shè)計(jì)，并介紹了子模塊的選擇方法、差異性評(píng)估標(biāo)準(zhǔn)，以及對(duì)子模塊輸出進(jìn)行決策時(shí)的融合方法。最后，給出了幾種對(duì)識(shí)別系統(tǒng)進(jìn)行模塊化設(shè)計(jì)的算法，并以神經(jīng)信號(hào)的運(yùn)動(dòng)識(shí)別為例，進(jìn)行了仿真評(píng)估，還將結(jié)果與單識(shí)別系統(tǒng)進(jìn)行了比較。

3、 本論文的創(chuàng)新成果主要包括：(1)借助試驗(yàn)手段，通過對(duì)志愿者上肢的神經(jīng)信息的檢測(cè)，結(jié)合定性分析與定量比較，探討了上臂三大主神經(jīng)束(正中神經(jīng)、橈神經(jīng)和尺神經(jīng))的相互協(xié)調(diào)關(guān)系以及信息發(fā)放模式，獲得了有重要價(jià)值的第一手資料和創(chuàng)新性發(fā)現(xiàn)，為研究神經(jīng)信號(hào)支配運(yùn)動(dòng)的機(jī)理以及神經(jīng)信息控制假肢的研究創(chuàng)造了條件。 (2)通過嚴(yán)格的統(tǒng)計(jì)計(jì)算和合理的識(shí)別系統(tǒng)設(shè)計(jì)，對(duì)神經(jīng)信號(hào)的分類識(shí)別進(jìn)行了有益的嘗試，指出利用神經(jīng)埋藏電極引導(dǎo)出神經(jīng)信息，經(jīng)模式分

4、類后建立起神經(jīng)信息與肢體運(yùn)動(dòng)的映射關(guān)系，從而控制假肢運(yùn)動(dòng)，是完全可行的。 (3)對(duì)神經(jīng)網(wǎng)絡(luò)隱層作用的機(jī)理進(jìn)行了探討，提出神經(jīng)網(wǎng)絡(luò)的映射關(guān)系實(shí)質(zhì)上是一種廣義級(jí)數(shù)展開，并對(duì)神經(jīng)網(wǎng)絡(luò)中傳遞函數(shù)的作用重新進(jìn)行了審視。在此基礎(chǔ)上，提出了兩次賭輪選擇算法，按照基因片段的功能劃分來對(duì)交叉部位進(jìn)行再次選擇，以避免功能相似的基因片段出現(xiàn)在同一個(gè)染色體中，防止神經(jīng)網(wǎng)絡(luò)遺傳優(yōu)化中“近親繁殖”的產(chǎn)生。仿真分析證實(shí)了該算法的有效性。 (4)從仿生

5、學(xué)原理出發(fā)，根據(jù)人腦結(jié)構(gòu)和功能上的模塊化特點(diǎn)，并結(jié)合對(duì)任務(wù)分解、神經(jīng)網(wǎng)絡(luò)集成、樣本抽樣技術(shù)、多專家系統(tǒng)等多個(gè)領(lǐng)域的研究，提出了對(duì)模式識(shí)別系統(tǒng)進(jìn)行“空間化分解、模塊化設(shè)計(jì)、集成化決策”的設(shè)計(jì)思想，并分別從輸入空間分解、變換空間分解、特征空間分解、決策空間分解以及輸出空間分解的角度，逐一闡述了如何在模塊化設(shè)計(jì)中獲取有差異性的個(gè)體，并通過適當(dāng)?shù)募蓚€(gè)體選擇和決策融合方法來獲得最終的識(shí)別結(jié)果。 (5)按照模塊化的設(shè)計(jì)理念，以神經(jīng)信號(hào)為對(duì)

6、象，設(shè)計(jì)了幾種模塊化的識(shí)別系統(tǒng)，并將其性能與單識(shí)別系統(tǒng)進(jìn)行了比較。其中，獨(dú)立信息源法和輸出的逐級(jí)分解主要是針對(duì)神經(jīng)信號(hào)的特點(diǎn)而設(shè)計(jì)的；變換子空間法相對(duì)通用些，與上述兩種策略都屬于設(shè)計(jì)方法的創(chuàng)新；基于置信度考慮的AdaBoost.MC算法以及集成特征選擇算法FEFS則是對(duì)已有算法的改進(jìn)，其中AdaBoost.MC算法的主要目的是為了增強(qiáng)低識(shí)別率情況下的穩(wěn)健性，而FEFS算法則主要是為了提高集成特征選擇過程的執(zhí)行速度；至于增強(qiáng)學(xué)習(xí)以及投票決