基于混合高斯模型的腦-機接口系統(tǒng)腦電信號的分類研究.pdf

1、近年來，伴隨著世界上人口老齡化速度的逐步加快、殘疾人數(shù)量的持續(xù)攀升，迫使人類要加快研究大腦科學(xué)的步伐.人類渴望通過研究腦科學(xué)和其相近的領(lǐng)域去克服人類身體的先天缺陷和后天造成的不足.人類希望可以實現(xiàn)直接用大腦的思維活動信號和外界進行交流，甚至能夠控制周圍的環(huán)境.腦-機接口（BCI)是能夠把這一夢想變?yōu)楝F(xiàn)實的科學(xué)的、有效的途徑.人類希望通過深入地對腦-機接口這種新型的通信技術(shù)進行研究，進而能夠?qū)崿F(xiàn)人類控制器材、裝備和其它系統(tǒng)，特別是為那些神

2、經(jīng)肌肉受到損傷，以及不能使用常規(guī)交流手段的殘障人士提供了一種能夠與外界環(huán)境溝通的途徑.腦-機接口技術(shù)能夠?qū)崿F(xiàn)殘疾人和行動存在困難的人與外界進行自由通信.腦-機接口系統(tǒng)是一種全新的人機接口方式，是近年來腦科學(xué)研究的熱點課題.
　　對于腦-機接口系統(tǒng)的研究，目前國際上主要有兩種形式，一類是研究無創(chuàng)式的腦-機接口，另一種是研究有創(chuàng)式的腦-機接口.由于無創(chuàng)式腦-機接口對被試者沒有傷害，所以應(yīng)用范圍廣，而無創(chuàng)式腦-機接口中的基于腦電信號（E

3、EG)的腦-機接口又因為其簡單性和安全性備受國內(nèi)外研究者的關(guān)注.腦電信號的分類問題是腦-機接口系統(tǒng)的一個至關(guān)重要的過程，其分類的準確率直接影響著腦-機接口系統(tǒng)的性能.目前常用的分類方法是貝葉斯（Bayes)線性分類器，其擅長二分類問題，但在處理多類別腦電數(shù)據(jù)分類時效果不是很理想，算法執(zhí)行速度慢.為了避免出現(xiàn)這樣的問題，本文在前人研究成果的基礎(chǔ)上，提出了使用混合高斯模型（GMM),它能夠有效的處理多類別數(shù)據(jù)聚類問題，在對多類別腦電數(shù)據(jù)聚類

4、時，混合高斯模型假設(shè)每個高斯模型與一個類別相對應(yīng).本文首先選用主成分分析(PCA)方法對腦電數(shù)據(jù)進行特征提取，把提取的主成分作為混合高斯模型聚類的特征對象；之后本文使用期望最大化（EM)算法對混合高斯模型的參數(shù)進行估計；在模型聚類的準確率方面，本文引入了匈牙利算法，使腦電數(shù)據(jù)能夠找到與之最優(yōu)匹配的高斯模型（類).文章最后分別給出了混合高斯模型和Bayes的分類結(jié)果，基于混合高斯模型（GMM)聚類的準確率平均值達87.288％,而 Bay