基于稀疏度量的運動想象腦電特征提取和模式識別算法研究.pdf

1、對大腦的保護和信息挖掘是21世紀科技的熱門研究課題,而―腦功能的研究是了解腦的基本途徑。腦電圖(Electroencephalography, EEG)具有較高的時間分辨率,可以在毫秒量級的尺度上的記錄大腦信息的處理過程,從而決定了其在腦功能信息挖掘中的重要地位。目前,基于腦電的腦-機接口技術已經在醫(yī)療和娛樂領域得到了廣泛的應用和發(fā)展。然而,從腦電放大器采集到的腦電信號往往具有非平穩(wěn)性,且樣本維度通常遠遠大于樣本個數,包含了較多的異常值

2、(Outliers)。特別是在腦-機接口領域,這類問題表現得更為突出。因此,在分析前常常需要預先提取相應的特征以實現數據樣本的降維。當前,一些經典的腦電特征提取和模式識別方法如:共空間模式識別,主成分分析,線性判別分析等都是基于L2模的數值求解方法。由l2范數導出的求解方法雖然具有很好的平滑性,但不具備稀疏性,并且容易受到Outliers的影響,這些干擾會阻礙腦電信號的后續(xù)分析研究。從統(tǒng)計學的角度看,基于lp范數框架設計出的算法比l2范

3、數對Outliers的抑制有明顯的優(yōu)勢。因此,發(fā)展基于稀疏度量方法的腦電研究系統(tǒng)具有重大的理論和實踐意義。本文針對腦電信號采集過程中引入的Outliers,對基于l2范數的經典特征提取和模式識別方法進行改進,發(fā)展相應的方法抑制Outliers影響,最終構建基于相關方法的穩(wěn)健腦-機接口在線系統(tǒng)。主要內容如下:
　　1.特征提取:基于最小2乘估計(least squares estimation, LES)的腦電特征容易擴大Outli

4、ers的影響,從而扭曲特征對樣本的反映。本工作中針對該問題,將基于 l1范數的奇異值分解方法(L1-SVD)應用到共空間模式分析(Common Spatial Pattern, CSP)中,替換原有基于SVD分解的特征向量求解,從而實現對Outliers較好的抑制。仿真和真實運動想象數據的特征提取結果,證實了發(fā)展方法良好的噪聲抑制能力。
　　2.模式識別:在模式識別中,一些基于 l2范數結構的方法也容易受到 Outliers的影響