超限学习机拓展研究及其脑电分类应用

发布时间：2023-11-14 17:51

　　脑-机接口(Brain-Computer Interface,BCI)允许用户利用大脑活动来控制独立于周围神经和肌肉的外部设备。BCI系统通常使用大脑信号来收集用户的意图信息,而脑电图(Electroencephalogram,EEG)是BCI系统中应用最为广泛的大脑信号。BCI技术给许多应用领域带来了革命性的变化,例如文本输入系统、脑卒中患者康复训练系统、新型游戏控制、用户心理状态评估等。BCI技术的发展给严重行动障碍患者的日常生活带来了极大的便利。分类算法直接影响了 BCI系统的实用性,是BCI系统的关键问题之一,本文着重对脑电分类算法进行探索。与传统分类算法相比,超限学习机(Extreme Learning Machine,ELM)具有泛化能力强、学习速度快等优点。本文以ELM为基础分类器,同时引入稀疏学习、主动学习,对ELM方法进行拓展研究,提高其分类性能,并应用于BCI系统分类场景中。主要工作如下:(1)为了充分学习低信噪比的EEG信号的特征,提出基于Fisher判别的稀疏超限学习机算法,设计一种多层网络结构,充分结合稀疏学习、超限学习机的优势,并将其应用在BCI两类及多分类...

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 BCI技术的研究现状
        1.2.2 ELM方法的研究现状
    1.3 本文的主要内容和组织结构
第2章 基础理论介绍
    2.1 脑电信号分析
        2.1.1 脑电信号的概念及基本特征
        2.1.2 脑电信号的分析方法
    2.2 超限学习机
    2.3 稀疏学习
    2.4 主动学习
    2.5 本章小节
第3章 基于Fisher判别稀疏超限学习机的脑电分类研究
    3.1 引言
    3.2 基于Fisher判别稀疏超限学习机算法
    3.3 标准数据测试与分析
        3.3.1 数据集描述
        3.3.2 实验设置
        3.3.3 相关算法比较
        3.3.4 不同参数对算法的影响
    3.4 脑电数据测试与分析
        3.4.1 脑电数据集描述
        3.4.2 实验设置
        3.4.3 相关算法比较
    3.5 本章小节
第4章 基于双规则主动超限学习机的多类脑电分类研究
    4.1 引言
    4.2 双规则主动超限学习机算法
        4.2.1 不确定性策略
        4.2.2 多样性策略
        4.2.3 双规则主动超限学习机
    4.3 标准数据集测试与分析
        4.3.1 实验设置
        4.3.2 相关算法比较及参数设置
        4.3.3 实验结果
    4.4 脑电数据测试与分析
        4.4.1 脑电数据集描述
        4.4.2 实验设置及参数选定
        4.4.3 相关算法比较
    4.5 实验结果讨论
    4.6 本章小节
第5章 总结与展望
    5.1 论文工作总结
    5.2 论文展望
致谢
参考文献
附录



本文编号：3863914