脑电信号分类研究的方法 ——高斯分类器和支持向量机

论文摘要

脑机接口(BCI)是大脑计算机交互接口的简称。完全瘫痪的病人很难实现与外界的交流,BCI就是由这个需要推动而发展起来的。在过去的10年里,BCI技术获得了长足的发展。BCI系统包括输入(用户的电生理活动),输出(设备命令)和输入、输出转换部分。转换部分包括信号特征提取和翻译算法。论文主要研究翻译算法部分,即分类器。本文使用的分类器是高斯分类器和支持向量机(SVM)。高斯分类器的训练和测试过程如下:首先,用自组织映射(SOM)初始化高斯分类器的参数,然后用梯度下降法进行分类器的训练,得到最终的高斯分类器的参数。最后进行性能测试。研究中使用固定学习率。20世纪90年代发展起来的支持向量机方法,也为脑电信号分析提供了新的工具。支持向量机是在统计学习理论的基础上发展起来的一种新的学习方法,它已初步表现出很多优于已有方法的性能。由于采用了结构风险最小化原则代替经验风险最小化原则,使得较好的解决了小样本学习的问题:又由于采用了核函数思想,使它把非线性空间的问题转换到线性空间,降低了算法的复杂度。正是因为其完备的理论基础和出色的学习性能,该技术已成为机器学习界的研究热点,并在很多领域都得到了成功的应用,如人脸检测、手写体数字识别、文本自动分类等。论文以脑电图(EEG)的模式识别为目标,对支持向量机理论、算法及应用进行了较深入的研究,还给出了分类器的分类结果和分析,并且给出了比较结果。

论文目录

• 摘要
• ABSTRACT
• 目录
• 1 绪论
• 1.1 课题背景
• 1.2 脑电信号特征提取及分类的主要方法
• 1.2.1 脑电信号的分析方法
• 1.2.2 脑电信号的特征提取
• 1.2.3 脑电信号的介绍
• 1.2.4 脑电信号的分类方法
• 1.3 研究内容与方法
• 1.3.1 高斯分类器
• 1.3.2 支持向量机
• 2 高斯分类器设计理论
• 2.1 贝叶斯分类器
• 2.1.1 统计学原理
• 2.1.2 基于最小风险的贝叶斯准则
• 2.2 自组织映射
• 2.3 高斯混合模型
• 2.4 梯度下降
• 3 高斯分类器
• 3.1 分类器概述
• 3.2 分类器的实现
• 3.2.1 分类器的初始化
• 3.2.2 分类器的训练
• 3.2.3 性能测试
• 3.3 实验工具的选用和程序的编写
• 4 高斯分类器的实验结果及分析
• 4.1 分类结果
• 4.2 实验结果分析
• 5 统计学习理论及支持向量机（SVM）算法介绍
• 5.1 统计学习理论中的重要概念
• 5.1.1 VC维
• 5.1.2 推广性的界
• 5.1.3 结构风险最小化原理
• 5.2 支持向量机
• 5.2.1 广义最优分类面
• 5.2.2 线性可分问题和线性非可分问题
• 5.3 各种变形的支持向量机算法
• 5.3.1 C-SVM算法及其变形算法系列
• 5.3.2 v-SVM算法及其变形算法系列
• 5.4 SVM的多值分类算法
• 5.4.1 一对多分类算法
• 5.4.2 一对一（配对）SVM
• 5.5 核函数
• 5.5.1 核函数的定义
• 5.5.2 怎样确定核函数
• 5.5.3 几种常见的核函数
• 6 支持向量机分类方法实现
• 6.1 处理数据说明
• 6.2 核函数与参数选择
• 6.3 SVM分类的流程
• 6.4 实验工具包的选取和程序的编写
• 7 支持向量机实验结果与分析
• 7.1 C的选取与识别率之间的关系
• 7.2 核函数及其参数选取对识别率的影响
• 7.3 对数据样本成分的分析
• 7.4 两种分类器分类结果的比较
• 8 结论
• 攻读学位期间获奖和发表论文情况
• 致谢
• 参考文献