论文部分内容阅读
脑-机接口(Brain-Computer Interface,BCI)技术是近年来控制与神经修复、信号处理、人工智能、模式识别等领域的研究热点。其中以运动想象脑电信号为基础的BCI研究最为典型,在医学研究上可以帮助病人进行康复训练,恢复运动功能。在运动想象脑电信号的识别中,最根本的问题是需要一个有效的特征提取和分类算法。本文基于小波包分解、共空间模式滤波的特征提取,通过对支持向量机(Support Vector Machine,SVM)和布谷鸟搜索算法(Cuckoo Search,CS)原理及特点的分析,提出了一种改进的布谷鸟搜索算法优化支持向量机的分类算法(简记为ICS-SVM),并将其应用于运动想象脑电的模式识别中,主要工作如下:(1)将小波包分解算法和共空间模式滤波(Common Spatial Pattern,CSP)方法相结合,对脑电信号进行特征提取。根据运动想像脑电信号的特点和事件相关去同步/同步现象,利用小波包分解算法提取相关时间段内的特定频率成分,并提出具有区分性的左右两侧通道能量比特征。另外,针对多导脑电信号中隐含的空间域信息,利用CSP算法提取特征。组合的时-频-空域特征具有完整性,可以提高分类正确率。(2)针对本文选取的支持向量机分类算法,首先选取蚁群算法、粒子群算法、鱼群算法、布谷鸟搜索算法对SVM进行参数优化分析,基于3个UCI数据集做对比实验,结果表明,布谷鸟搜素算法在分类正确率和收敛速度两方面整体优于其他算法。(3)提出改进的布谷鸟搜索算法(Improved Cuckoo Search,ICS)。针对布谷鸟搜索算法中存在的问题,提出3个方面的改进:1)对步长因子的自适应改进,增加了对最优鸟巢的步长更新方式。2)提出了发现概率aP的自适应变化公式。3)提出了与全局最优鸟巢引导相结合的新的搜索公式。本文用基本的CS算法和改进的ICS算法分别在5个测试函数上进行对比实验,结果表明,除了Rosenbrock测试函数,ICS算法在寻优精度和收敛速度方面均优于CS算法。(4)本文用SVM、CS-SVM、ICS-SVM别在3个UCI数据集上进行对比实验,结果表明,ICS-SVM算法的分类正确率均优于其它两种算法。(5)根据本文研究的特征提取算法以及改进的ICS-SVM分类算法,分别在BCI competiton IV(Data sets 1)中的5个运动想象脑电数据集上进行实验,同时选用基本的SVM算法、CS-SVM算法作对比实验,结果表明,分类正确率最高的算法是ICS-SVM,验证了本文算法的有效性。