论文部分内容阅读
对大脑的保护和信息挖掘是21世纪科技的热门研究课题,而“脑功能的研究”是“了解脑”的基本途径。脑电图(Electroencephalography,EEG)具有较高的时间分辨率,可以在毫秒量级的尺度上的记录大脑信息的处理过程,从而决定了其在脑功能信息挖掘中的重要地位。目前,基于脑电的脑-机接口技术已经在医疗和娱乐领域得到了广泛的应用和发展。然而,从脑电放大器采集到的脑电信号往往具有非平稳性,且样本维度通常远远大于样本个数,包含了较多的异常值(Outliers)。特别是在脑-机接口领域,这类问题表现得更为突出。因此,在分析前常常需要预先提取相应的特征以实现数据样本的降维。当前,一些经典的脑电特征提取和模式识别方法如:共空间模式识别,主成分分析,线性判别分析等都是基于L2模的数值求解方法。由l2范数导出的求解方法虽然具有很好的平滑性,但不具备稀疏性,并且容易受到Outliers的影响,这些干扰会阻碍脑电信号的后续分析研究。从统计学的角度看,基于lp范数框架设计出的算法比l2范数对Outliers的抑制有明显的优势。因此,发展基于稀疏度量方法的脑电研究系统具有重大的理论和实践意义。本文针对脑电信号采集过程中引入的Outliers,对基于l2范数的经典特征提取和模式识别方法进行改进,发展相应的方法抑制Outliers影响,最终构建基于相关方法的稳健脑-机接口在线系统。主要内容如下:1.特征提取:基于最小2乘估计(least squares estimation,LES)的脑电特征容易扩大Outliers的影响,从而扭曲特征对样本的反映。本工作中针对该问题,将基于l1范数的奇异值分解方法(L1-SVD)应用到共空间模式分析(Common Spatial Pattern,CSP)中,替换原有基于SVD分解的特征向量求解,从而实现对Outliers较好的抑制。仿真和真实运动想象数据的特征提取结果,证实了发展方法良好的噪声抑制能力。2.模式识别:在模式识别中,一些基于l2范数结构的方法也容易受到Outliers的影响,从而影响分类超平面的投影方向。本工作将基于lp范数的度量空间应用到线性判别分析算法中,替换原有基于l2范数的广义瑞利商。将发展的模式识别方法用于仿真数据、真实运动想象数据、基因数据、人脸识别数据以及模式识别标准数据库中的数据,与其他线性判别分析方法相比获得了较高的识别准确率,结果证明新发展的方法能够训练出对Outlier有较强抑制作用的分类器,并具有较高的普适性。