论文部分内容阅读
脑-机接口(BCI)的分类性能取决于用户控制自己脑状态的能力、数据记录方法和分类算法。本文使用头皮脑电图(EEG)和皮层脑电图(ECoG)两种数据记录,对基于运动想象的BCI的分类算法进行了研究。5个受试参加了一个在线反馈左/右手运动想象BCI实验,记录的EEG数据用于离线分析。全局场强、全局场变化频率和空间复杂性这三个线性描述符能够定征特定脑区的总体状态。这三种测量被单独和联合地施加于与运动皮层相关的三个电极子集,提取的特征矢量用于对这些受试的实验数据进行分类。对于来自7导和11导的8个特征矢量,5个受试的最好分类识别率在85%和99.9%之间,而平均分类识别率在89%和93.5%之间。幅度和相位耦合测量,分别由非线性回归系数和相位锁定值量化,为BCI特征提取提供了一种新的思路。将这两种测量分别施加于由三种耦合方法决定的少量感兴趣的电极,获得的6个特征矢量用于对这5个受试的实验数据进行分类。结果表明,耦合测量对运动想象数据具有好的可分性,而且耦合特征和AR特征的结合能够明显地改进分类识别率。为了促进基于ECoG的BCI的开发及实用化,第三届BCI数据分析竞赛提供了一个左手小指/舌头运动想象ECoG数据,训练集和测试集记录于不同的时间,要求分类算法具有在两组数据之间进行转换的能力。本文提出了一个多特征结合的方法对这个数据进行分类。基于运动相关电位和事件相关去同步的三个特征矢量,分别由共空域子空间分解算法和波形均值提取,然后由Fisher判别分析降为一维,并将它们连接成一个三维的特征矢量,最后使用线性支持向量机进行分类。这个算法具有分类识别率高、稳健性好和泛化能力强等特点,因而在测试集数据取得了91%的高分类识别率。此项结果在27份参赛报告中名列第一。为了简化上述竞赛算法的复杂性,本文提出了一种基于特征子集选择的分类算法。根据两类数据的绝对平均功率差选择10个最优导联,这些导联之间的关联信息由非线性回归系数在0-3Hz和8-30Hz两个频带提取,并将它们连接成一个200维的特征矢量。为了去除冗余信息和保留对分类有意义的特征,由遗传算法并结合支持向量机进行特征选择。一个包含29个特征的最优子集被选出,在测试集数据取得了87%的分类识别率。这个算法的分类识别率与竞赛算法具有可比性,并且具有更高的运算速度。