基于集成極限學(xué)習(xí)機(jī)的腦電信號(hào)分類(lèi)研究.pdf

1、腦電信號(hào)是大腦組織電活動(dòng)和功能狀態(tài)的綜合反映，它通過(guò)在人腦上分布的電極記錄下大腦的生理電活動(dòng)，是一種包含多種信息且高度復(fù)雜的隨機(jī)信號(hào)。長(zhǎng)期以來(lái)，人們使用腦電信號(hào)診斷病人的腦部疾病（例如癲癇、精神分裂癥等），取得了很好的效果。隨著疾病診療的發(fā)展，傳統(tǒng)的人工閱讀方法已經(jīng)不能滿足現(xiàn)代腦電信號(hào)分析的需求，因此利用機(jī)器學(xué)習(xí)等智能方法實(shí)現(xiàn)腦電信號(hào)自動(dòng)分類(lèi)逐漸成為研究的焦點(diǎn)。
　　腦電信號(hào)自動(dòng)分類(lèi)過(guò)程主要分為兩個(gè)階段:信號(hào)的特征提取和分類(lèi)。在信

2、號(hào)特征提取階段，針對(duì)傳統(tǒng)方法只能提取信號(hào)單一特性的問(wèn)題，本文提出一種小波包與樣本熵混合的腦電信號(hào)特征提取方法，利用小波包變換提取信號(hào)的線性特征，同時(shí)結(jié)合樣本熵提取信號(hào)的非線性特征，能夠更好地表現(xiàn)腦電信號(hào)線性與非線性的雙重特點(diǎn)。在分類(lèi)階段，為解決單一極限學(xué)習(xí)機(jī)分類(lèi)結(jié)果隨機(jī)不穩(wěn)定的問(wèn)題，本文采用集成學(xué)習(xí)思想，依據(jù)不同的集成策略提出兩種改進(jìn)的集成極限學(xué)習(xí)機(jī)分類(lèi)算法?；诰€性判別分析的集成極限學(xué)習(xí)機(jī)分類(lèi)方法使用并行的集成策略，利用線性判別分析對(duì)

3、重采樣產(chǎn)生的各個(gè)訓(xùn)練子集進(jìn)行變換，得到相互間差異較大的子集，增加各個(gè)學(xué)習(xí)器間的差異性，減小集成泛化誤差?；诨バ畔⒌腁daboost極限學(xué)習(xí)機(jī)分類(lèi)算法利用串行的集成策略，增加誤分樣本對(duì)單一極限學(xué)習(xí)機(jī)的影響，并嵌入互信息輸入變量選擇，以整體學(xué)習(xí)器最終的性能作為評(píng)價(jià)指標(biāo)，實(shí)現(xiàn)對(duì)輸入變量以及網(wǎng)絡(luò)模型的優(yōu)化。仿真結(jié)果表明:本文所提特征提取方法能夠充分得到信號(hào)全面的信息特征，有利于分類(lèi)器分類(lèi)。所提的兩種集成極限學(xué)習(xí)機(jī)分類(lèi)方法能夠有效提升分類(lèi)精度，