论文部分内容阅读
脑机接口(BCI)是一种不依赖于正常的由外围神经和肌肉组成的输出通路的通讯系统,用于传送信息和命令到外部世界。这个系统对于瘫痪的病人意义重大,可以用来控制轮椅或其他外部设备,进而来完成他们的意图。特征提取作为BCI系统中最重要的环节,影响着整个系统的分类性能。共空域模式(Common spatial pattern,CSP)算法是一种常用的空域滤波算法,主要用于提取多通道EEG信号的空域特征。由于CSP算法中源信号和记录的脑电波信号间既含有严格的线性模式假设关系又含有非常少的基于核函数的非线性模式,所以线性CSP算法和非线性核CSP算法均不能准确地描述大脑特征。为了提高模式分类的性能,本文提出了一种新型的基于线性和非线性核函数的混合核CSP算法。使用K-均值聚类来缓解计算复杂度,并使用Nystrom近似来减少核矩阵的特征值分解时的内存需求。即先对带通滤波后的脑电图数据集进行降维处理,然后使用Nystrom近似来保证核矩阵在高维特征空间中低秩分解的有效性。该算法的性能在四类数据上进行测试,并分别与线性CSP和核CSP的测试结果进行对比。为了提高运行效率,使用两两分类策略进行测试。实验结果证明,就分类正确率而言所提出的算法具有更为优越的性能。