论文部分内容阅读
人类的行为、思想和情绪等高级的神经活动都要受到大脑的支配和控制,因此,大脑中含有丰富的有用信息。如何有效的获取并利用大脑的这些有效信息一直是研究者们关注的热点问题。脑电(electroencephalogram,EEG)信号主要由大脑内大量相互关联的神经元之间相互作用所引起的大脑皮层中的事件相关电位变化,是目前获取大脑信息的重要手段之一。脑-机接口(Brain-Computer Interface,BCI)技术建立了大脑和外部设备(比如计算机或其他设备)间可以直接传递信息的通道,是利用大脑信息的有效手段。脑-机接口技术中的关键是脑电信号的识别技术,包括脑电信号的特征提取与分类。一些脑-机接口系统中对识别算法提出了准确率高与学习速度快的要求。传统的学习算法很难在高的准确率与快的学习速度之间达到平衡,因此,本文采用了具有较高的准确率与较快的学习速度的超限学习机(Extreme Learning Machine,ELM)方法对脑电信号进行识别,本文具体研究工作如下:首先,在脑电信号特征提取方面,针对如何提取高维度脑电信号的包含有效判别性信息的特征问题,提出一种基于超限学习机自编码(Extreme Learning Machine Auto-encoder,ELM-AE)的脑电信号特征提取方法。ELM-AE基于原始的超限学习机方法利用其隐层与输出层的连接权重的奇异值表征脑电信号的特征,所采用的压缩型的超限学习机自编码方法降低了脑电数据的维度。实验表明,该方法提取的特征比其他相关方法提取的特征在用相同分类器的前提下分类正确率更高,证实了该方法在提取高维度脑电信号判别特征方面的有效性。其次,在脑电信号分类方面,针对基本的超限学习机方法中输入层节点与隐层节点之间的连接权重随机产生可能会降低分类效果的问题,采用改进的方法—约束超限学习机(Constrained Extreme Learning Machine,CELM)对脑电信号进行分类。约束超限学习机中的输入层节点与隐层节点之间的连接权重随机选自输入数据样本不同类别做差产生的差分向量中,因此,该权重包含更多的样本判别信息,更有利于分类。实验显示,该方法与其他的超限学习机方法相比对脑电信号的分类性能有所提升。为进一步提高分类器的泛化能力,本文将多隐层的超限学习机(Multilayer Extreme Learning Machine,ML-ELM)引入脑电信号的分类中。ML-ELM在ELM基础上加入多个隐层,隐层之间通过ELM-AE训练产生的隐层的输出权值进行连接。实验表明,多层超限学习机对脑电信号分类时能在保持超限学习机优势的基础上达到更好的性能。最后,为了方便进行脑电信号的分析处理与各种特征提取和分类方法性能的比较,本文用Matlab语言编写了用于脑电信号分析的系统,将若干脑电信号常用的特征提取与分类算法进行了封装,涵盖了本文中的方法和其他参考文献的方法。