换一批摘要BCI(Brain-ComputerInterface)是通过计算机或其他电子设备在人脑与外界环境之间建立一条不依赖于外周神经和肌肉组织的全新对外信息交流控制通路，为丧失部分或全部肌肉控制功能的病患提供与外界沟通的新途径。它是一个非肌肉通信系统，可以使得人的大脑意图和环境进行直接的沟通交流。脑电信号的特征提取是脑机接口中的关键问题，为了能使BCI系统从大脑和周围组织的EEG信号中正确的分析其特征并提取出使用者的意图，本文重点对脑电信号的特征提取方法进行了深入研究。<br> 首先，针对CSP方法的分类性能受频带参数影响较大的缺点，寻找最优空间模式的同时考虑频率模式对运动想象的作用，本文研究了一种共空间频率模式特征提取方法，该方法采用连续小波分析平衡时间分辨率与频率分辨率的矛盾，在空间模式的基础上嵌入了频率模式，并将CSP方法扩展到多类，实现了空间模式和频率模式的同时优化。<br> 其次，研究了一种基于Kullback-Leiblerde的共空间模式算法。为了提取具有非平稳的EEG信号特征，利用KL距离定义了最大化类别间的差异，最小化类内差异的判别模式，它通过选择最优参数的r和ν，使用完整训练数据对KLCSP过滤器进行训练，最后利用测试数据进行评价。实验证明，该算法并不需要任何附加记录，完全由数据驱动。<br> 最后，研究了一种张量分析的公共空间模式特征提取方法。该方法是一种有监督的张量学习方法，它利用张量的多维上同时处理的优势，将张量分析扩展到CSP算法中，对角化多类EEG的高维协方差张量，寻找两类或多类样本的最大判别模式。实验结果与分析表明基于张量分析的共空间模式方法不仅减少了数据建模所需的参数数量，而且提高了分类性能。
更多相关知识
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
