eeg信号分类方法研究
摘 要 随着计算机技术的发展，脑电图分类逐渐成为热门研究对象。在一般的研究中脑电的分类都被认为是一种模式识别。脑电分类的过程包括数据采集，数据预处理，特征提取和分类决策。在目前的研究中，有多种不同的数据采集，预处理，特征提取，和分类方法可以被用于脑电分类系统中。不同的方法对脑电分类会产生不同的效果。本文通过介绍不同类型采集装置，而后比较不同数据的分类结果，分析不同数据会对分类产生的结果。通过介绍CSP特征提取方法，而后调整CSP提取的特征信息数量，比较不同的特征信息对分类效果产生的影响。最后，本文重点研究分类器对分类结果的影响，本文从理论角度出发，比对不同分类器的原理的差异，分析可能带来的分类结果，而后对不同分类器进行实验测试，而后对分类的结果进行比较和分析。最后得出结论：对于数据采集，数据噪声多，特征不明显时，分类效果整体会较差。在特征提取方面，使用CSP特征提取方法，当特征维度过高时，无用的噪声信息多，分类效果差，当特征维度过低时，信息量过少，分类效果差。在分类器方面，通过实验和理论，发现SVM和NaitiveBayes分类器在准确度和运算量方面都有比较良好的表现。
目录
摘 要 I
ABSTRACT II
目录 III
第1章 绪论 1
1.1 EEG信号分类研究的目的与意义 1
1.2 EEG信号分类的研究现状 1
1.3 本文研究的内容 2
1.4 本文结构安排 2
1.4.1 研究内容与结构的介绍 2
1.4.2 研究脑电信号分类的流程 2
1.4.3 分类的影响因素 2
1.4.4 分类的效果比较 2
1.4.5 对工作进行总结和展望 2
第2章 EEG信号分类与模式识别 3
2.1 模式识别的概念 3
2.1.1模式识别定义 3
2.1.2模式识别的种类 3
2.1.3模式识别的过程 3
2.2 EEG信号分类与模式识别 4
第3章EEG信号的采集、预处理和特征提取 6
3.1 EEG信号采集 6
3.1.1植入式与无创型的脑电采集装
*好棒文|www.hbsrm.com +Q: ^3^5`1^9`1^6^0`7^2#
6
3.1.2多电极与少电极的采集装置 6
3.1.3 数据对分类效果的影响 6
3.2 EEG信号预处理 7
3.2.1 滤波 7
3.2.2 PCA主成分分析去相关 7
3.2.3 信号预处理效果对分类的影响 9
3.3 EEG信号的特征提取 10
3.3.1 CSP共同空间模式的概念 10
3.3.2 CSP算法内容 11
3.3.3 CSP用于EEG特征的提取 13
3.3.4 特征提取对分类效果的影响 14
第4章 EEG信号分类方法研究 17
4.1 分类器总述 17
4.1.1分类器的种类 17
4.1.2 分类中会遇到的问题 17
4.1.3 分类器的评价指标 18
4.2 LDA分类器 18
4.2.1 LDA分类器概念 18
4.2.2 LDA工作原理 19
4.2.3 LDA的特点 20
4.3 SVM分类器 21
4.3.1 SVM分类器概念 21
4.3.2 SVM分类器工作原理 22
4.3.3 SVM分类器特点 24
4.4 BP神经网络 25
4.4.1BP神经网络的概念 25
4.4.2 BP神经网络分类器原理 26
4.4.3神经网络的特点 28
4.5 朴素贝叶斯分类器 28
4.5.1朴素贝叶斯分类器概念 28
4.5.2朴素贝叶斯分类器原理 29
4.5.3朴素贝叶斯分类器的优势和缺陷 30
4.6 分类器对比 31
4.6.1 分类器原理对比 31
4.6.3 分类器实际效果对比 32
第5章 总结与展望 35
5.1 工作总结 35
5.2 展望 35
参考文献 36
致谢 38
英文翻译 40
一．英文原文 40
二．英文翻译 45
任务书 48
第1章 绪论
1.1 EEG信号分类研究的目的与意义
EEG（Electroencephalogram，脑电图），记录脑电信号。大脑皮层的神经元会产生放电活动，大脑皮层的神经元会发生持续的节律性电位改变，同时通过视觉，听觉等刺激，也会产生相应的电位变化[1]。将电极和放大器测量的大脑皮层的电信号记录下来，就形成了脑电信号（EEG）。脑电信号可以分为自发型脑电信号和诱发脑电信号[2]。 脑电信号有效强度非常低，而且背景的噪声很强[3]。
脑电信号能够一定程度反应人类思维，而EEG分类就是通过脑电信号识别大脑中产生的内容。
通过识别人类思维，就能够产生新的控制机械或物体的方式。在医疗方面能够辅助进行康复训练[4][5]。在安全保障方面，能够更直接的控制机器人代替人类进行危险的工作。在娱乐方面，能够给人更贴近现实的控制感受。
所以，脑电分类的研究一直是一个热点问题，随着计算机水平的发展，由于其重要的意义，也越来越受到研究者的重视。
1.2 EEG信号分类的研究现状
EEG信号的分类目前比较成熟的方法是将整个系统看成是一种模式识别系统，脑机接口作为系统的输入，然后通过计算机分析处理，然后将处理好的信号输出到机械结构上。
目前在脑电分类方面已经有了大量的研究：雷恩第一大学F Lotte1等通过不同的EEG信号分类准确率能达到70%以上[6]。MIT实验室的Brett Mensh针对BCI Competition II Data set Ia数据进行分类准确率为88.7%[7]。天津师范大学贾花评通过使用BP神经网络对BCI Competition II Data set Ia数据进行分类，准确率能达到90%[7]。清华大学的Han Yuan等，针对BCI Competition III Data set IVa [Berlin]数据，采用CSP与AR结合进行特征提取，而后采用LDA进行分类，平均准确率能够达到94%[8]。
1.3 本文研究的内容
本文通过将脑电分类当作模式识别进行研究。分别研究在模式识别个各个环节对脑电分类效果产生的影响。本文主要通过比较不同的分类器的理论原理和实际实验效果，分析和总结各个分类器的性能，为不同情况下分类器的选取提供指导。为了更好的研究分类器的分类性能，本文还对除了分类器外的其他因素进行研究，同时根据实验结果进行了简单的分析。
如下是本文所阐述的内容：
1.4 本文结构安排
目录
摘 要 I
ABSTRACT II
目录 III
第1章 绪论 1
1.1 EEG信号分类研究的目的与意义 1
1.2 EEG信号分类的研究现状 1
1.3 本文研究的内容 2
1.4 本文结构安排 2
1.4.1 研究内容与结构的介绍 2
1.4.2 研究脑电信号分类的流程 2
1.4.3 分类的影响因素 2
1.4.4 分类的效果比较 2
1.4.5 对工作进行总结和展望 2
第2章 EEG信号分类与模式识别 3
2.1 模式识别的概念 3
2.1.1模式识别定义 3
2.1.2模式识别的种类 3
2.1.3模式识别的过程 3
2.2 EEG信号分类与模式识别 4
第3章EEG信号的采集、预处理和特征提取 6
3.1 EEG信号采集 6
3.1.1植入式与无创型的脑电采集装
*好棒文|www.hbsrm.com +Q: ^3^5`1^9`1^6^0`7^2#
6
3.1.2多电极与少电极的采集装置 6
3.1.3 数据对分类效果的影响 6
3.2 EEG信号预处理 7
3.2.1 滤波 7
3.2.2 PCA主成分分析去相关 7
3.2.3 信号预处理效果对分类的影响 9
3.3 EEG信号的特征提取 10
3.3.1 CSP共同空间模式的概念 10
3.3.2 CSP算法内容 11
3.3.3 CSP用于EEG特征的提取 13
3.3.4 特征提取对分类效果的影响 14
第4章 EEG信号分类方法研究 17
4.1 分类器总述 17
4.1.1分类器的种类 17
4.1.2 分类中会遇到的问题 17
4.1.3 分类器的评价指标 18
4.2 LDA分类器 18
4.2.1 LDA分类器概念 18
4.2.2 LDA工作原理 19
4.2.3 LDA的特点 20
4.3 SVM分类器 21
4.3.1 SVM分类器概念 21
4.3.2 SVM分类器工作原理 22
4.3.3 SVM分类器特点 24
4.4 BP神经网络 25
4.4.1BP神经网络的概念 25
4.4.2 BP神经网络分类器原理 26
4.4.3神经网络的特点 28
4.5 朴素贝叶斯分类器 28
4.5.1朴素贝叶斯分类器概念 28
4.5.2朴素贝叶斯分类器原理 29
4.5.3朴素贝叶斯分类器的优势和缺陷 30
4.6 分类器对比 31
4.6.1 分类器原理对比 31
4.6.3 分类器实际效果对比 32
第5章 总结与展望 35
5.1 工作总结 35
5.2 展望 35
参考文献 36
致谢 38
英文翻译 40
一．英文原文 40
二．英文翻译 45
任务书 48
第1章 绪论
1.1 EEG信号分类研究的目的与意义
EEG（Electroencephalogram，脑电图），记录脑电信号。大脑皮层的神经元会产生放电活动，大脑皮层的神经元会发生持续的节律性电位改变，同时通过视觉，听觉等刺激，也会产生相应的电位变化[1]。将电极和放大器测量的大脑皮层的电信号记录下来，就形成了脑电信号（EEG）。脑电信号可以分为自发型脑电信号和诱发脑电信号[2]。 脑电信号有效强度非常低，而且背景的噪声很强[3]。
脑电信号能够一定程度反应人类思维，而EEG分类就是通过脑电信号识别大脑中产生的内容。
通过识别人类思维，就能够产生新的控制机械或物体的方式。在医疗方面能够辅助进行康复训练[4][5]。在安全保障方面，能够更直接的控制机器人代替人类进行危险的工作。在娱乐方面，能够给人更贴近现实的控制感受。
所以，脑电分类的研究一直是一个热点问题，随着计算机水平的发展，由于其重要的意义，也越来越受到研究者的重视。
1.2 EEG信号分类的研究现状
EEG信号的分类目前比较成熟的方法是将整个系统看成是一种模式识别系统，脑机接口作为系统的输入，然后通过计算机分析处理，然后将处理好的信号输出到机械结构上。
目前在脑电分类方面已经有了大量的研究：雷恩第一大学F Lotte1等通过不同的EEG信号分类准确率能达到70%以上[6]。MIT实验室的Brett Mensh针对BCI Competition II Data set Ia数据进行分类准确率为88.7%[7]。天津师范大学贾花评通过使用BP神经网络对BCI Competition II Data set Ia数据进行分类，准确率能达到90%[7]。清华大学的Han Yuan等，针对BCI Competition III Data set IVa [Berlin]数据，采用CSP与AR结合进行特征提取，而后采用LDA进行分类，平均准确率能够达到94%[8]。
1.3 本文研究的内容
本文通过将脑电分类当作模式识别进行研究。分别研究在模式识别个各个环节对脑电分类效果产生的影响。本文主要通过比较不同的分类器的理论原理和实际实验效果，分析和总结各个分类器的性能，为不同情况下分类器的选取提供指导。为了更好的研究分类器的分类性能，本文还对除了分类器外的其他因素进行研究，同时根据实验结果进行了简单的分析。
如下是本文所阐述的内容：
1.4 本文结构安排
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/wlw/692.html
