检索历史 清除

摘要随着电子信息与计算机应用技术的进步，脑机接口技术的研究与应用已经成为一种趋势。脑机接口通过解读人在思维活动过程中的大脑生理信息，在大脑与外界之间建立一个直接传输信息的通道，在健康监护、高级人机交互等应用领域有广泛的前景。关于脑机接口应用中脑电信号分类的研究，国内外研究人员都进行了许多尝试，也取得了较好的效果。而要将这些方法和技术投入实际应用，还有待进一步的研究。<br>　　本文基于脑机接口应用之情感分类，围绕情感脑电信号的特征提取和分类方法进行了研究，分别从以下几方面展开：<br>　　（1）信息熵特征提取方法的研究。由于传统的时域频域特征分析方法不能很好地体现EEG信号的波动性和复杂性，近些年已经有研究者证明了信息熵可以更好地用于脑电信号的分类。因此，本文在前人工作的基础上，提出了基于微分熵的脑电特征提取方法。本文对多种不同的信息熵特征进行了研究和对比，实验结果表明，微分熵特征比样本熵、模糊熵等其他已有的信息熵特征具有更高的分类准确率，能够很好地运用在情感脑电分类任务中。<br>　　（2）联合分类方法的研究。即使通过微分熵进行脑电特征分类，脑电信号的特征维度仍然较高，往往会产生维数灾难和过拟合的问题。本文还对于结合传统的降维方法例如LDA和PCA与机器学习方法例如支持向量机、随机森林和高斯加权k-NN方法进行了研究。我们提出了一种新的联合分类方法结合了LDA降维方法和加权k-NN方法，并与两种经典的联合分类方法进行对比实验。结果表明，在情感脑电分类任务中，将LDA降维方法用于微分熵特征，并结合加权k-NN方法进行分类，其平均准确率可以达到83%，Kappa系数为0.7，优于现有的联合分类方法。<br>　　（3）正则化方法的研究。虽然降维方法可以改善脑电分类效果，但却有可能在降维过程中损失部分有效信息。因此，近些年又有研究者提出了基于L1和L2正则化的脑电分类方法。正则化方法可以在模型训练的过程中自动地进行特征选择，避免在模型学习之前就筛选掉部分特征信息。然而，L1和L2方法仍然存在不够稀疏等问题，因此有研究者提出了最新的基于L1/2的正则化方法，在数学上已经证明相对于L1与L2正则化方法具有明显的优势。在这种情况下，本文提出了一种基于L1/2的逻辑回归脑电分类方法，并与L1、L2和Elastic-Net正则化方法进行了对比，实验结果证明了基于L1/2正则项的逻辑回归方法在情感脑电分类任务中具有明显的优势，具有高达85%的平均准确率。<br>　　由于原始脑电信号在转换为特征向量的过程中会丢失一部分信息，因此基于微分熵的脑电信号特征提取方法仍然会损失部分信息。因此，下一步我们计划使用最新的脑网络方法进行特征提取。目前也对脑网络方法进行了初步探索，构建脑网络并提取脑网络特征进行情感脑电分类，取得了一定的效果，我们计划在以后的研究中完善这一构想。