论文部分内容阅读
脑—机接口(Brain—Computer Interface，BCI)是在人脑与计算机或其他的电子设备之间建立的一种直接的交流和控制通道。通过此通道，可以不依靠外周神经和肌肉组织而直接实现对外部设备的控制。神经科学的研究表明，受试主体在受到事件相关刺激时大脑皮层会出现特定的电活动(P300电位)。这些电活动经高性能的生物电信号采集系统记录成为脑电信号，再经专门设计的计算机算法把信号中的信息提取出来，就能识别出不同的用户意图。最后根据不同的意图输出不同的操作命令，便可实现对计算机等外部设备的直接控制。因此，实现此类脑—机接口系统的关键在于如何快速准确地把记录到的P300信号准确识别出来并其转换成计算机所能接受的命令。但由于P300信号具有易变且信噪比低的特点，从而使得必须进行多次重复实验才能将其准确识别。因此，目前评价P300识别算法性能的指标主要有以下几个：完全准确识别时所需的重复实验次数、单次实验的识别准确率以及最优分类器的训练速度。支持向量机是近几年来发展起来的新型的数据分类和模式识别方法。其基本思想是将数据映射到一个高维空间，并在其上寻找一个能将样本正确分类的最大间隔超平面。支持向量机方法在小样本、非线性及高维特征空间中具有良好的分类性能，现已在脑电信号识别中得到了较好的应用。但传统的基于支持向量机的P300识别方法仍然存在着所需重复实验次数过多、单次实验的识别准确率偏低、最优分类器的训练速度过慢等问题。针对传统识别方法的诸多不足之处，论文通过将F-score方法、小波分解理论与支持向量机方法相结合，提出了一些新的P300识别理念和算法。具体工作如下：(1)为了提高最优分类器的训练速度，本文设计了一种新的训练样本选择方法，通过此方法对训练样本进行选择，可以从原始训练集中提取出一个单独的验证样本集以实现最优分类器参数的快速选择。实验结果表明，与5阶交叉验证方法相比，本文的方法可以将参数挑选的速度提高一倍。(2)为了减少P300完全准确识别时所需的重复实验次数，本文提出了一种基于F-score特征选择和支持向量机的P300识别算法。通过F-score方法对输入特征进行选择，可以剔除大量冗余特征，降低输入空间维数，提高分类器的识别精度。论文在Wadsworth Center的数据集上对此算法进行了验证。实验结果表明，此算法仅需4次重复实验便可达到100％的字符识别准确率。(3)由于F-score方法的最优门槛选择过程比较烦琐，而门槛选择的耗时过长势必会影响最优P300分类器的训练速度。为了能够消除此不利影响，在不影响识别准确率的前提下进一步提高P300分类器的训练速度，本文设计了一种基于小波分解的特征提取方法。此方法借助小波分解在特征提取中的独特优势，既可有效提取P300特征，简化输入空间维数，又无需烦琐的门槛选择过程。(4)为了提高单次实验的识别准确率，本文提出了一种基于F-score的最优导联选择算法。通过此方法可以有效地提取任务相关导联(即与P300密切相关的导联)，剔除任务无关导联。实验结果表明，此方法可以将单次实验的识别准确率提高到83.87％。论文最后对全文进行了总结，并对下一步的研究工作进行了展望。