| 【中文题名】 | 基于支持向量机的多类意识任务分类方法研究 |
| 【英文题名】 | Study on Classification Methods of Multi-class Mental Tasks Based on Support Vector Machine |
| 【学科专业】 | 检测技术与自动化装置 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-7-13 |
| 【中关键词】 | 脑电信号,支持向量机,特征选择,决策树,分离性测度, |
| 【英关键词】 | Electroencephalogram（EEG）,Support Vector Machine （SVM）,Feature selection,Decision tree,Separability measure, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>> |
| 【论文摘要】 |
脑一机接口(BCI)是在人脑和计算机或其他电子设备之间建立的一种直接的信息交流和控制通道，是一种不依赖于常规大脑输出通路(外周神经和肌肉组织)的全新的信息交流系统。现代的脑科学研究表明，从大脑皮层的多导电极上采集得到的脑电信号(electroencephalogram, EEG)蕴含着丰富的人体生理病理信息，并能反映大脑的功能状态。研究人在不同意识状态下的EEG信号，通过对几种简单易分意识任务的EEG信号进行模式识别，形成较为复杂的控制命令，完成对轮椅、假肢等辅助设备的控制，可帮助严重行为障碍的患者与外界进行交流。
然而由于脑电信号的复杂性和非平稳性，人们很难获得足够的特征数据对分类器进行训练并实现分类。统计学习理论是针对小样本估计和预测的理论，在很大程度上解决了模型选择与过学习问题、非线性和维数灾难等问题。支持向量机(support vector machine, SVM)分类器作为统计学习理论的实现方法，不仅结构简单，而且各种性能尤其是推广能力明显提高，由于它是专门针对小样本情况的，其目标是得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优值。所以是意识任务分类领域中一种可行的选择... |
| 【论文题纲】 |
|
摘要 |
7-9 |
|
ABSTRACT |
9-11 |
|
插图索引 |
11-12 |
|
附表索引 |
12-13 |
|
第1章 绪论 |
13-18 |
|
1.1 意识任务分类的背景—脑机接口 |
13-16 |
|
1.1.1 脑机接口的组成 |
13-14 |
|
1.1.2 脑机接口研究的目的和科学意义 |
14 |
|
1.1.3 脑电信号概述 |
14-16 |
|
1.2 意识任务分类的研究现状 |
16-17 |
|
1.3 本文的主要研究内容 |
17-18 |
|
第2章 支持向量机理论 |
18-29 |
|
2.1 引言 |
18-19 |
|
2.2 统计学习理论概述 |
19-22 |
|
2.2.1 问题的提出 |
19 |
|
2.2.2 经验风险最小化准则 |
19-20 |
|
2.2.3 结构风险最小化准则 |
20-22 |
|
2.3 支持向量机 |
22-28 |
|
2.3.1 线性 SVM |
22-24 |
|
2.3.2 非线性 SVM |
24-27 |
|
2.3.3 序列最小优化(SMO)算法 |
27-28 |
|
2.4 本章小结 |
28-29 |
|
第3章 多分类支持向量机 |
29-39 |
|
3.1 多类分类问题的数学描述 |
29-30 |
|
3.2 直接优化目标函数法 |
30-31 |
|
3.3 “一对多”方法 |
31-32 |
|
3.4 “一对一”方法 |
32-33 |
|
3.5 改进的多类 SVMs——基于类分布的决策树 SVMs |
33-38 |
|
3.5.1 决策树 SVMs |
33-35 |
|
3.5.2 类距离法 |
35-36 |
|
3.5.3 基于类分布的类间分离性测度 |
36-37 |
|
3.5.4 基于类分布的决策树 SVMs的算法流程 |
37-38 |
|
3.6 本章小结 |
38-39 |
|
第4章 实验数据及特征选择 |
39-45 |
|
4.1 引言 |
39-40 |
|
4.2 实验数据描述 |
40 |
|
4.3 特征选择与交叉验证法 |
40-44 |
|
4.3.1 特征选择 |
41-42 |
|
4.3.2 交叉验证法 |
42 |
|
4.3.3 实验结果 |
42-44 |
|
4.4 实验讨论与总结 |
44-45 |
|
第5章 对三类意识任务的模式识别 |
45-55 |
|
5.1 引言 |
45 |
|
5.2 核函数的选择 |
45-48 |
|
5.2.1 全局核函数与局部核函数 |
46-47 |
|
5.2.2 两类核函数的比较 |
47-48 |
|
5.3 核参数的选择 |
48-50 |
|
5.3.1 误差惩罚参数 C的影响 |
48 |
|
5.3.2 高斯核参数σ的影响 |
48-49 |
|
5.3.3 实验结果与讨论 |
49-50 |
|
5.4 对三类意识任务的识别 |
50-53 |
|
5.4.1 分级聚类训练 |
51-52 |
|
5.4.2 决策树形式 |
52-53 |
|
5.5 实验结果与讨论 |
53-54 |
|
5.6 本章小结 |
54-55 |
|
总结与展望 |
55-57 |
|
参考文献 |
57-61 |
|
致谢 |
61-62 |
|
附录A 攻读学位期间所发表的学术论文目录 |
62 |
|
| 【DOI】 | LunWen.ID:2.2008.388626 |
