概率分類方法在多任務(wù)EEG腦機(jī)接口中的應(yīng)用研究.pdf

1、腦機(jī)接口(BrainComputerInterface，BCI)的目標(biāo)是利用大腦產(chǎn)生的信號(hào)建立一種把使用者的意圖轉(zhuǎn)變?yōu)橥獠吭O(shè)備控制信號(hào)的全新交流通道。腦機(jī)接口一般由信號(hào)的獲取、特征提取和模式識(shí)別等部分組成。實(shí)際的腦機(jī)接口中，正確率和信息傳輸速率是衡量系統(tǒng)性能的兩個(gè)主要指標(biāo)。信息傳輸速率影響腦機(jī)接口實(shí)時(shí)通信的能力，如計(jì)算機(jī)的控制與應(yīng)用，然而，現(xiàn)在腦機(jī)接口的發(fā)展受到系統(tǒng)低的信息傳送速率和較差的分類結(jié)果影響而不能真正的應(yīng)用于臨床。解決系統(tǒng)傳輸

2、速率問(wèn)題的一個(gè)可行的方案是使原本的兩類模式BCI轉(zhuǎn)變?yōu)槎嗳蝿?wù)模式，但是當(dāng)模式增多時(shí)，信號(hào)處理和機(jī)器學(xué)習(xí)的困難變得顯著，新的模式可能影響到原本的模式使得分類的正確率下降。因此，BCI的發(fā)展只有結(jié)合信號(hào)處理和機(jī)器學(xué)習(xí)的先進(jìn)方法，并聯(lián)合相關(guān)的神經(jīng)生理學(xué)知識(shí)才能取得進(jìn)步。 本工作主要是聯(lián)合信號(hào)處理和機(jī)器學(xué)習(xí)的方法，本文中，我們首先使用兩種概率分類方法：支持向量機(jī)(supportvectormachine，SVM)后驗(yàn)概率模型和貝葉斯線性

3、判決分析(Bayesianlineardiscriminantanalysis，BLDA)來(lái)獲得分類的概率投票結(jié)果。其次，基于獲得的后驗(yàn)概率和概率，我們提出了兩種提高系統(tǒng)分類性能的方法：基于SVM后驗(yàn)概率的訓(xùn)練樣本擴(kuò)充和基于貝葉斯線性判決分析的訓(xùn)練樣本擴(kuò)充，其原理是利用大概率的測(cè)試樣本數(shù)據(jù)來(lái)擴(kuò)充原本的訓(xùn)練集合使分類器重新學(xué)習(xí)。我們把這些分類方法在兩個(gè)4類運(yùn)動(dòng)想象數(shù)據(jù)集合上進(jìn)行測(cè)試，應(yīng)用共空間模式的多類擴(kuò)展方法進(jìn)行特征提取，然后分別用上面

4、的方法得到概率分類的結(jié)果和擴(kuò)充樣本后重新學(xué)習(xí)分類的結(jié)果。文中還比較了兩種常用的多分類方法：一對(duì)多SVM和Mahalanobis距離分類器，同時(shí)在特征聯(lián)合和模式分類中我們還考慮了信號(hào)的時(shí)-頻-空域的聯(lián)合分類和分類器聯(lián)合方法。測(cè)試結(jié)果表明：(1)概率信息能提高BCI的分類性能；(2)基于概率信息的樣本擴(kuò)充方法能使得分類器進(jìn)行重新的學(xué)習(xí)，得到更穩(wěn)定的分類結(jié)果，故能減小訓(xùn)練的過(guò)程和增加機(jī)器學(xué)習(xí)的自適應(yīng)性；(3)特征的聯(lián)合與分類器聯(lián)合在BCI的分