無模型貝葉斯分類器方法及在腦電波信號識別中的應用.pdf

1、隨著科技的發(fā)展，對于那些大腦健康而肢體行動不便或者無法行動的患者，例如:肌萎縮側索硬化癥(ALS)患者，越發(fā)的渴望能夠通過自己的大腦直接與外部設備進行交流，腦-機接口(Brain-Computer Interface，BCI)技術就在這種背景下出現(xiàn)并快速發(fā)展。腦電波信號的分類算法作為BCI技術中一個重要的環(huán)節(jié)，對其進行研究將有著重大的現(xiàn)實意義及實用價值。
　　本文的主要研究內容:
　　1.針對樸素貝葉斯分類器(Na(i)ve

2、 Bayesian Classifier, NBC)及貝葉斯網(wǎng)絡(Bayesian Network，BN)的不足進行了改進，基于最近鄰(NearestNeighbor, NN)算法，建立一個計算聯(lián)合概率分布的概率估計器，并提出一種無模型貝葉斯分類器(Model-Free Bayesian Classifier, MFBC)算法實現(xiàn)數(shù)據(jù)的分類。
　　2.提出一種新型的自組織特征提取算法，并對MFBC算法進行擴展，從而能夠處理回歸問題

3、，通過與極限學習機(Extreme Learning Machine，ELM)進行比較，從而驗證了擴展后的MFBC處理回歸問題的有效性。
　　3.根據(jù)模糊C均值(Fuzzy C Means，F(xiàn)CM)聚類算法對人造腦電波信號數(shù)據(jù)與真實腦電波信號數(shù)據(jù)進行區(qū)分。
　　4.進行對腦電波信號識別系統(tǒng)的設計，包括UCI（University of California Irvine)數(shù)據(jù)及腦電波數(shù)據(jù)的導入、MFBC算法、實驗結果分析等功