基于稀疏度量的運(yùn)動想象腦電特征提取和模式識別算法研究.pdf

1、對大腦的保護(hù)和信息挖掘是21世紀(jì)科技的熱門研究課題,而―腦功能的研究是了解腦的基本途徑。腦電圖(Electroencephalography, EEG)具有較高的時間分辨率,可以在毫秒量級的尺度上的記錄大腦信息的處理過程,從而決定了其在腦功能信息挖掘中的重要地位。目前,基于腦電的腦-機(jī)接口技術(shù)已經(jīng)在醫(yī)療和娛樂領(lǐng)域得到了廣泛的應(yīng)用和發(fā)展。然而,從腦電放大器采集到的腦電信號往往具有非平穩(wěn)性,且樣本維度通常遠(yuǎn)遠(yuǎn)大于樣本個數(shù),包含了較多的異常值

2、(Outliers)。特別是在腦-機(jī)接口領(lǐng)域,這類問題表現(xiàn)得更為突出。因此,在分析前常常需要預(yù)先提取相應(yīng)的特征以實(shí)現(xiàn)數(shù)據(jù)樣本的降維。當(dāng)前,一些經(jīng)典的腦電特征提取和模式識別方法如:共空間模式識別,主成分分析,線性判別分析等都是基于L2模的數(shù)值求解方法。由l2范數(shù)導(dǎo)出的求解方法雖然具有很好的平滑性,但不具備稀疏性,并且容易受到Outliers的影響,這些干擾會阻礙腦電信號的后續(xù)分析研究。從統(tǒng)計(jì)學(xué)的角度看,基于lp范數(shù)框架設(shè)計(jì)出的算法比l2范

3、數(shù)對Outliers的抑制有明顯的優(yōu)勢。因此,發(fā)展基于稀疏度量方法的腦電研究系統(tǒng)具有重大的理論和實(shí)踐意義。本文針對腦電信號采集過程中引入的Outliers,對基于l2范數(shù)的經(jīng)典特征提取和模式識別方法進(jìn)行改進(jìn),發(fā)展相應(yīng)的方法抑制Outliers影響,最終構(gòu)建基于相關(guān)方法的穩(wěn)健腦-機(jī)接口在線系統(tǒng)。主要內(nèi)容如下:
　　1.特征提取:基于最小2乘估計(jì)(least squares estimation, LES)的腦電特征容易擴(kuò)大Outli

4、ers的影響,從而扭曲特征對樣本的反映。本工作中針對該問題,將基于 l1范數(shù)的奇異值分解方法(L1-SVD)應(yīng)用到共空間模式分析(Common Spatial Pattern, CSP)中,替換原有基于SVD分解的特征向量求解,從而實(shí)現(xiàn)對Outliers較好的抑制。仿真和真實(shí)運(yùn)動想象數(shù)據(jù)的特征提取結(jié)果,證實(shí)了發(fā)展方法良好的噪聲抑制能力。
　　2.模式識別:在模式識別中,一些基于 l2范數(shù)結(jié)構(gòu)的方法也容易受到 Outliers的影響