基于AR模型的脑电信号特征提取与识别

基于AR模型的脑电信号特征提取与识别

论文摘要

脑—机接口因其广阔的应用价值和前景成为近年来脑科学、康复工程、自动控制、军事领域和生物医学工程等领域的热门研究课题。脑电信号的处理过程是研究过程中的重点和难点。本文将脑电信号中事件去同步化/相同步化现象作为特征信息,深入讨论了基于AR模型的自适应算法(AAR)和多变量参数AAR模型算法(MVAAR)在脑电信号特征提取中的应用。介绍多种对模型系数进行估计的方法,采用卡尔曼滤波方法和快速QR分解分别对AAR、MVAAR模型进行系数估计,以最大化显现脑电信号中的特征信息。采用线性分析、基于马氏距离分类和留一法三种分类器分别进行任务识别。引入了互信息,kappa值,ROC曲线下面积值的概念对分类效果进行性能评价。从实验结果上看,MVAAR算法比AAR算法达到了更高的分类正确率。AAR模型很好地描述了EEG信号的非平稳随机特征,MVAAR算法识别法主观性较小,阶次一般选取也比较低,数据仿真吻合度高,实现多导联数据的输入,具有更强的通用性。传统的线性分类、基于马氏距离的二次分类,留一法分类都达到了很好的效果,但也各有优缺点。LDA和MDA算法都是只由数据的均值和协方差决定的,当两类的协方差矩阵差别较大时,LDA方法则会表现出较大的偏差,而MDA方法则会表现出较好的结果。留一法的原理简单,容易实现,但如果当实验数据庞大时,计算量和计算时间将会是我们必须考虑的问题。不同对象因为个体的区别和测试反馈时间段的不同,对其使用同一组算法分类得到的效果也有差异。

论文目录

  • 摘要
  • ABSTRACT
  • 目录
  • 第一章 绪论
  • 1.1 研究脑—机接口技术意义
  • 1.2 脑—机接口技术发展概况及主要问题
  • 1.3 论文的主要内容
  • 1.4 结构安排
  • 第二章 脑电信号与实验数据
  • 2.1 脑电信号产生
  • 2.1.1 大脑的生理结构
  • 2.1.2 大脑的功能分区
  • 2.1.3 脑电活动根源
  • 2.2 脑电信号
  • 2.2.1 脑电信号的频带成分
  • 2.2.2 脑电信号的特征
  • 2.2.3 事件相关同步/去同步化
  • 2.3 脑电信号数据来源
  • 2.3.1 测试进程
  • 2.3.2 脑电信号的数据源格式
  • 第三章 基于AR模型的脑电特征提取
  • 3.1 AR模型
  • 3.2 AAR算法
  • 3.2.1 AAR模型
  • 3.2.2 卡尔曼滤波
  • 3.2.3 卡尔曼滤波估计 AAR系数
  • 3.3 MVAAR算法
  • 3.3.1 MVAAR模型
  • 3.3.2 估计 MVAAR系数方法
  • 3.4 模型阶次的估计
  • 3.4.1 FPE准则
  • 3.4.2 AIC准则
  • 3.4.3 BIC准则
  • 3.4.4 REV准则
  • 3.4.5 贝叶斯理论准则
  • 第四章 脑电意识任务分类
  • 4.1 LDA
  • 4.2 基于 Mahalanobis距离的分类器
  • 4.3 留一法
  • 4.4 性能评价参数
  • 4.4.1 Mutual Information
  • 4.4.2 kappa系数
  • 4.4.3 ROC曲线下面积估计(AUC)
  • 第五章 基于Matlab的算法组合研究
  • 5.1 算法流程及结果
  • 5.2 特征提取方法对比和讨论
  • 5.3 分类算法分析与讨论
  • 第六章 总结与展望
  • 6.1 工作总结
  • 6.2 展望
  • 参考文献
  • 致谢
  • 攻读硕士学位期间主要研究成果
  • 相关论文文献

    标签:;  ;  ;  

    基于AR模型的脑电信号特征提取与识别
    下载Doc文档

    猜你喜欢