阅读笔记4：基于运动想象的脑机接口系统模式识别算法研究

最新推荐文章于 2021-07-05 10:32:36 发布

zeIx_

最新推荐文章于 2021-07-05 10:32:36 发布

阅读量1k

点赞数 2

分类专栏：脑机接口（BCI）文章标签：机器学习算法人工智能模式识别

本文链接：https://blog.csdn.net/InsectsAwaken_/article/details/108664420

版权

这篇笔记详细探讨了基于运动想象的脑机接口系统模式识别算法，包括两种MRPs特征提取算法：邻域空间模式和自适应空间模式。通过广义时空模式提取算法优化时空信息，以及半监督学习方法，如基于特征联合的半监督学习和针对MRPs的半监督特征提取，旨在缩短训练时间并提高识别性能。希尔伯特-黄变换用于非平稳信号的时频分析，进一步提升了特征提取的准确性。

摘要由CSDN通过智能技术生成

论文信息

题目：基于运动想象的脑机接口系统模式识别算法研究
作者：刘美春
单位：华南理工大学信号与信息处理
发表时间：20091009

笔记

1.摘要

脑机接口是一种不依赖于正常的由外围神经和肌肉组成的输出通道的通讯系统。
BCI系统包括信号收集、预处理、特征提取和分类
两种不同的运动相关电位（MRPs）特征提取算法：邻域空间模式和自适应空间模式算法
事件相关失同步/同步( ERD/ERS)
和 MRPs 是 BCI 特征提取中的两大生理背景基础。对时空频信息敏感，提出一种广义时空特征提取算法（GTSE），同时优化时空判别信息。
针对BCI发展过程中缩短训练时间的要求，提出两种半监督学习算法：基于联合特征的半监督学习算法和针对MRPs特征的半监督特征提取算法。
异步BCI 系统的模式识别

2.绪论

信号采集系统。这部分由记录电极、信号隔离放大器、滤波器和模数转换器等组成，其作用是采集来自脑部的头皮信号、脑膜内外信号、或皮层神经元的信号，并转换成数字信号作为计算机的输入
信号处理系统。BCI 的信号处理实质上就是其记录信号的模式识别，是 BCI研究的核心部分。主要包括对源信号的分析预处理、特征提取和分类等。
预处理的目的是提高信噪比。常用的方法有：Kalman滤波、Robust Kalman 滤波、非线性滤波、直接相减、自适应干扰消除以及主成分分析（PCA）、独立分量分析（ICA）等或者多种方法的融合运用等等。
特征提取目的是从采集的脑电信号中提取出能反映当前大脑活动的信息，以便用于对外部设备的控制，主要方法包括空间滤波、时频分析、谱分析、小波变换等等。

3.基于领域关系提取MRPs特征

邻域空间模式（NSP）：该算法基于流形的思想，利用领域关系和类别信息，以异类和同类局部距离和的比值最大化为目标，构建目标函数，不需要对数据的分布进行任何假设，较好的解决了BCI研究中的采集EEG信号数据分布复杂，和训练样本不足的重要问题。

流形学习：认为我们所能观察到的数据实际上是由一个低维流行映射到高维空间的。由于数据内部特征的限制，一些高维中的数据会产生维度上的冗余，实际上这些数据只要比较低的维度就能唯一的表示。所以直观上来讲，一个流形好比是一个d维的空间，在一个m维的空间中（m>d）被扭曲之后的结果。需要注意的是流形并不是一个形状，而是一个空间。举个例子来说，比如说一块布，可以把它看成一个二维的平面，这是一个二维的空间，现在我们把它扭一扭（三维空间），它就变成了一个流形，当然不扭的时候，它也是一个流形，欧式空间是流形的一种特殊情况。