EEG信號MATLAB分析平臺設(shè)計-模式識別部分【含論文、開題報告、文獻(xiàn)綜述】
EEG信號MATLAB分析平臺設(shè)計-模式識別部分【含論文、開題報告、文獻(xiàn)綜述】,含論文、開題報告、文獻(xiàn)綜述,eeg,信號,matlab,分析,平臺,設(shè)計,模式識別,部分,部份,論文,開題,報告,講演,呈文,文獻(xiàn),綜述
本科生畢業(yè)設(shè)計(論文)任務(wù)書
年 3 月 2 日至 2015 年 6 月 7 日
題 目: EEG信號MATLAB分析平臺設(shè)計
——模式識別部分
姓 名:
學(xué) 號:
學(xué) 院:
專 業(yè):
年 級:
指導(dǎo)教師: (簽名)
系主任(或教研室主任): (簽章)
設(shè) 計 ( 論 文 ) 任 務(wù)
(包括原始數(shù)據(jù)、技術(shù)要求、工作要求)
課題的背景和意義:
腦電信號(EEG)是通過布置在頭皮或顱內(nèi)的電極記錄下來的腦細(xì)胞群電活動,它反映了大腦生物電的節(jié)律性活動規(guī)律。不同的生理狀態(tài)或者各種病因均會使腦電信號表現(xiàn)出不同的模式。
為了解神經(jīng)細(xì)胞電活動和人的心理和生理狀態(tài)之間的關(guān)系,需要對腦電信號進(jìn)行采集。可通過嘗試諸如傅立葉變換、小波變換等多種信號變換,提取特征和識別樣本,尋出最大相關(guān)信號特征;利用各種分析方法,尋出最優(yōu)方法和參數(shù),把圖表顯示出來等手段,分析腦電信號中包含的大量的生理和病理信息。這在臨床醫(yī)學(xué)和認(rèn)知科學(xué)領(lǐng)域具有重要的參考價值和科學(xué)意義。
由于采集到的腦電信號容量大,對信號的處理顯得特別重要。MATLAB以其具有的多功能的特征和強(qiáng)大的數(shù)據(jù)處理等優(yōu)勢,成為良好的分析平臺,對心理學(xué)研究有很大的幫助,使非醫(yī)學(xué)類的學(xué)生展開相關(guān)研究成為了可能。
原始數(shù)據(jù):
(1)基于腦電采集平臺的EEG 信號CNT文件包。
(2)經(jīng)典模式識別方法源代碼。
(3)ERP腦電采集平臺的信號源編碼及定位。
(4)聚類分析和支持向量機(jī)的源代碼。
(5)特定EEG 信號CNT文件的關(guān)聯(lián)事件類型。
技術(shù)要求:
(1)基于MATLAB平臺,完成EEG 信號CNT文件的讀取和顯示。
(2)基于特定信號源編碼與EEG信號作相關(guān)分析,得出主成分信號。
(3)嘗試不同信號變換,尋出關(guān)聯(lián)事件類型下的最大相關(guān)信號特征。
(4)利用SVM,PLS等分析方法,對信號特征進(jìn)行關(guān)聯(lián)匹配,尋找最優(yōu)方法和參數(shù)。
工作要求:
(1)工作認(rèn)真負(fù)責(zé),要理論聯(lián)系實際,以實事求是、勇于探索、不斷創(chuàng)新的科學(xué)態(tài)度對待畢業(yè)設(shè)計。
(2)按照進(jìn)度要求及時完成任務(wù)。
(3)按照學(xué)校有關(guān)畢業(yè)論文的撰寫要求,認(rèn)真撰寫畢業(yè)論文。
畢業(yè)設(shè)計(論文)的主要內(nèi)容
畢業(yè)設(shè)計的主要內(nèi)容:
(1)基于MATLAB平臺,完成EEG 信號CNT文件的讀取模塊。
(2)完成EEG MATLAB平臺的框架GUI設(shè)計。
(3)完成各算法模式識別子模塊的設(shè)計。
(4)完成參數(shù)調(diào)節(jié),圖表顯示等各模塊。
(5)和信號處理模塊的同學(xué)合作,整合完成EEG信號分析平臺。
進(jìn)度安排:
(1)2015年03月2日-2015年03月15日(第 1周-第 2周)
需求分析,查閱資料完成方案的設(shè)計。整理資料,完成開題報告和文獻(xiàn)綜述等。
(2)2015年03月16日-2015年03月29日(第 3周-第4 周)
進(jìn)行相關(guān)英文資料閱讀與翻譯工作,深入進(jìn)行理論學(xué)習(xí)。
(3)2015年03月30日-2015年04月12日(第5 周-第6周)
完成MATLAB框架設(shè)計。
(4)2015年04月13日-2015年04月26日(第 7周-第8周)
研究算法,做好理論基礎(chǔ)。完成算法測試并改寫。
(5)2015年04月27日-2015年05月10日(第 9周-第 10周)
整合程序并測試。編寫畢業(yè)設(shè)計論文。
(6)2015年05月11日-2015年05月24日(第 11周-第 12周)
撰寫畢業(yè)論文,做好答辯準(zhǔn)備。
(7)2015年05月25日-2015年06月07日(第 13周-第 14周)
畢業(yè)答辯。
畢業(yè)設(shè)計(論文)任務(wù)更改記錄
更 改 原 因
更 改 內(nèi) 容
主要參考文獻(xiàn)
[1]趙侖.ERPs實驗教程[M].南京:東南大學(xué)出版社,2010.
[2]蔡林,張亞旭.句子理解過程中句法與語義加工的EEG時頻分析[J].心理科學(xué)進(jìn)展,2014,(7):1112-1121.
[3]Willis J.Tompkins,生物醫(yī)學(xué)數(shù)字信號處理[M].武漢:華中科技大學(xué)出版社,2001.
[4]STEVEN J.LUCK,事件相關(guān)電位基礎(chǔ)[M].上海:華東師范大學(xué)出版社,2009.
[5]江洪.基于DSP的腦電信號采集系統(tǒng)的設(shè)計.碩士論文,2005.
[6]周建興,豈興明.MATLAB從入門到精通[M].北京:人民郵電出版社,2008.
[7]劉克球,呂以喬,周以氏.生物醫(yī)學(xué)電子學(xué)[M].北京大學(xué)出版社,1988.
[8]趙紅怡.DSP技術(shù)與應(yīng)用實例[M].電子工業(yè)出版社,2003.
[9]Chen L, Li X, Yang Y . “Focus, Newness and Their Combination: Processing of Information Structure in Discourse”,2012.
[10]Chen L, Wang L, Yang Y. “Distinguish between focus and newness: an ERP”,2014.
本科生畢業(yè)設(shè)計(論文)開題報告
姓 名
學(xué)號
專 業(yè)
電子信息工程
題 目
EEG信號MATLAB分析平臺設(shè)計 ——模式識別部分
一、 研究背景、概況及意義
腦電信號(EEG)是通過布置在頭皮或顱內(nèi)的電極記錄下來的腦細(xì)胞群電活動,它反映了大腦生物電的節(jié)律性活動規(guī)律。不同的生理狀態(tài)或者各種病因均會使腦電信號表現(xiàn)出不同的模式。
為了解神經(jīng)細(xì)胞電活動和人的心理和生理狀態(tài)之間的關(guān)系,需要對腦電信號進(jìn)行采集。可通過嘗試諸如傅立葉變換、小波變換等多種信號變換,提取特征和識別樣本,尋出最大相關(guān)信號特征;利用各種分析方法,尋出最優(yōu)方法和參數(shù),把圖表顯示出來等手段,分析腦電信號中包含的大量的生理和病理信息。這在臨床醫(yī)學(xué)和認(rèn)知科學(xué)領(lǐng)域具有重要的參考價值和科學(xué)意義。
由于采集到的腦電信號容量大,對信號的處理顯得特別重要。MATLAB以其具有的多功能的特征和強(qiáng)大的數(shù)據(jù)處理等優(yōu)勢,成為良好的分析平臺,對心理學(xué)研究有很大的幫助,使非醫(yī)學(xué)類的學(xué)生展開相關(guān)研究成為了可能。
2、 研究主要內(nèi)容
(1)基于MATLAB平臺,完成EEG 信號CNT文件的讀取模塊。對EEG信號波形進(jìn)行基本的數(shù)字信號處理,如濾波、傅立葉變化、小波變換等。
(2)完成EEG MATLAB平臺的框架GUI設(shè)計。設(shè)置下拉菜單,將信號處理和模式識別實現(xiàn)的功能添加進(jìn)下拉菜單。
(3)完成各算法模式識別子模塊的設(shè)計。主要利用SVM(支持向量機(jī))、PLS(最小二乘法)等分析方法。
(4)完成參數(shù)調(diào)節(jié),圖表顯示等各模塊。調(diào)節(jié)參數(shù),反復(fù)觀察大量EEG信號處理結(jié)果,尋求最優(yōu)方法和參數(shù)。
(5)和信號處理模塊的同學(xué)合作,整合完成EEG信號分析平臺。交流相關(guān)的學(xué)習(xí)實踐經(jīng)驗,為畢設(shè)答辯做好準(zhǔn)備。
3、 研究步驟、方法及措施
(1)需求分析:根據(jù)給定的任務(wù),從需求著手,討論所需的實際效果與實現(xiàn)該效果所需的人力、財力、物力與技術(shù)。
(2)理論分析:根據(jù)任務(wù)要求提出可行的理論實現(xiàn)方法,初步制定詳細(xì)的技術(shù)實現(xiàn)手段。
A.復(fù)習(xí)相關(guān)的信號處理和模式識別的知識,熟練運用MATLAB。
B.利用MATLAB建立GUI框架,下拉菜單分成若干部分。例如,將第一部分設(shè)置為基本波形的處理(剪切,反向之類),第二部分為信號處理,第三部分為模式識別,等等。
C.把波形文件導(dǎo)入EEGLAB。
D.信號處理:收集足夠多經(jīng)典的信號處理算法,然后尋找比較適合的算法并做成工具庫,添加進(jìn)GUI框架。
E.模式識別:通過對大量信號波形進(jìn)行處理,尋出關(guān)聯(lián)事件類型下的最大相關(guān)信號特征,利用SVM,PLS等分析方法,對信號特征進(jìn)行關(guān)聯(lián)匹配,尋找最優(yōu)方法和參數(shù)。做成工具庫,添加進(jìn)GUI框架。
(3)系統(tǒng)調(diào)試:進(jìn)行調(diào)試與糾錯。
4、 研究進(jìn)度計劃
(1)2015年03月2日-2015年03月15日(第 1周-第 2周)
需求分析,查閱資料完成方案的設(shè)計。整理資料,完成開題報告和文獻(xiàn)綜述等。
(2)2015年03月16日-2015年03月29日(第 3周-第4 周)
進(jìn)行相關(guān)英文資料閱讀與翻譯工作,深入進(jìn)行理論學(xué)習(xí)。
(3)2015年03月30日-2015年04月12日(第5 周-第6周)
完成MATLAB框架設(shè)計。
(4)2015年04月13日-2015年04月26日(第 7周-第8周)
研究算法,做好理論基礎(chǔ)。完成算法測試并改寫。
(5)2015年04月27日-2015年05月10日(第 9周-第 10周)
整合程序并測試。編寫畢業(yè)設(shè)計論文。
(6)2015年05月11日-2015年05月24日(第 11周-第 12周)
撰寫畢業(yè)論文,做好答辯準(zhǔn)備。
(7)2015年05月25日-2015年06月07日(第 13周-第 14周)
畢業(yè)答辯。
5、 參考文獻(xiàn)
[1]劉克球,呂以喬,周以氏.生物醫(yī)學(xué)電子學(xué)[M].北京大學(xué)出版社,1988.
[2]周建興,豈興明.MATLAB從入門到精通[M].北京:人民郵電出版社,2008.
[3]Willis J.Tompkins,生物醫(yī)學(xué)數(shù)字信號處理[M].武漢:華中科技大學(xué)出版社,2001.
[4]STEVEN J.LUCK,事件相關(guān)電位基礎(chǔ)[M].上海:華東師范大學(xué)出版社,2009.
[5]張德豐.MATLAB小波分析[M].北京:機(jī)械工業(yè)出版社,2009.
[6]蔡林,張亞旭.句子理解過程中句法與語義加工的EEG時頻分析[J].心理科學(xué)進(jìn)展,2014,(7):1112-1121.
[7]趙侖.ERPs實驗教程[M].南京:東南大學(xué)出版社,2010.
[8]朱希安,曹林.小波分析及其在數(shù)字圖像處理中的應(yīng)用.北京:電子工業(yè)出版社,2012.
[9]Chen L, Li X, Yang Y . “Focus, Newness and Their Combination: Processing of Information Structure in Discourse”,2012.
[10]Chen L, Wang L, Yang Y. “Distinguish between focus and newness: an ERP”,2014.
學(xué)生簽名: 年 月 日
指導(dǎo)教師意見(對本課題的深度、廣度及工作量的意見及開題是否通過):
通過 □ 完善后通過 □ 未通過 □
指導(dǎo)教師簽名: 年 月 日
注:開題報告用A4紙打印裝訂在畢業(yè)設(shè)計(論文)任務(wù)書后,學(xué)生可根據(jù)開題報告的長度加頁。
開題是否通過請指導(dǎo)教師在□內(nèi)打“√”。
3
本科生畢業(yè)設(shè)計(論文)
文 獻(xiàn) 綜 述
姓 名
學(xué) 號
學(xué) 院
專 業(yè)
年 級
一、課題國內(nèi)外現(xiàn)狀(黑體,三號字)
人的大腦是由數(shù)以萬計的針尖大小的神經(jīng)交錯構(gòu)成的。神經(jīng)相互作用時,腦電波模式就表現(xiàn)為思維狀態(tài)。每次神經(jīng)活動時都會產(chǎn)生輕微的放電,許多神經(jīng)共同放電產(chǎn)生的集體電波可以通過測量得到。從頭皮記錄到的EEG信號時域的幅值在0.1~200uV, 頻率主要分布在0.5~ 50 Hz之間。相關(guān)研究已表明,人體在做不同動作或者想像任務(wù)時大腦皮層不同區(qū)域的刺激大小不同,相應(yīng)會產(chǎn)生不同的EEG信號[1]。
1929年德國神經(jīng)精神病學(xué)家Hans Berger首先報告了在人類完整的頭皮上安放電極,描記人類大腦的電活動。此后他的研究成果不斷得到電生理及神經(jīng)生理學(xué)家的證實,使EEG學(xué)在全世界范圍得以發(fā)展,并開始為臨床和科學(xué)服務(wù)。診斷異常腦電圖,主要不是根據(jù)它缺少正常腦電圖的成分或類型,而應(yīng)根據(jù)它是否含有不正常腦電活動或類型。
自1932 年Dietch 首先用傅立葉變換進(jìn)行了EEG分析之后, 在腦電分析中相繼引入了頻域分析、時域分析等腦電圖分析的經(jīng)典方法。近年來, 在腦電圖分析中應(yīng)用了小波分析、匹配跟蹤方法、神經(jīng)網(wǎng)絡(luò)分析、混沌分析等方法以及各種分析方法的有機(jī)結(jié)合, 有力地推動了腦電信號分析方法的發(fā)展[2]。
(1) AR參數(shù)模型譜估計。
在現(xiàn)代譜估計方法中,參數(shù)模型法是應(yīng)用最廣泛的一種方法,近年來在EEG 信號處理中應(yīng)用較為普遍。將AR模型應(yīng)用到EEG分析中的基本思想是假設(shè)可以用AR 過程近似真實EEG 信號,基于這一假設(shè),根據(jù)實際EEG信號,選取合適的階次、參數(shù)使得AR 模型所對應(yīng)的AR 過程盡可能逼近EEG 信號。采用AR參數(shù)模型進(jìn)行特征提取,是考慮到EEG 信號是典型的非平穩(wěn)隨機(jī)信號[12]。
利用AR模型對EEG信號進(jìn)行壓縮。在一般的EEG 實驗室中,50~60分鐘長的EEG 信號是常見的事,因此,大容量的腦電信號的存儲是腦電數(shù)據(jù)庫必然面臨的問題。因此,EEG 信號的數(shù)據(jù)壓縮具有重大的現(xiàn)實意義。實測得到的EEG 數(shù)據(jù)長約160 s, 采樣率為256Hz ,4 通道。測得的EEG 信號利用AR模型分段擬合,每段采樣點數(shù)為1024點,AR的階數(shù)P =15,采用Levison-Durbin 遞推算法,從而把1024 點數(shù)據(jù)壓縮為16 個系數(shù)與預(yù)測誤差。
(2)雙譜分析。
功率譜分析可以有效地反映信號的二階信息,卻丟失了包括相位信息在內(nèi)的高階信息,而這些信息對EEG 信號分析有時顯得很有意義。雙譜分析要求信號至少三階平穩(wěn),因此對短數(shù)據(jù)EEG 信號才有意義。
(3)時頻分析
腦電信號是一種時變的、非平穩(wěn)信號,不同時刻有不同的頻率成分,而單純的時、頻分析方法通過傅氏變換聯(lián)系起來,它們的截然分開是以信號的頻率時不變特性或統(tǒng)計特性平穩(wěn)為前提的。但由于時域和頻域分辨率的“不確定性原理”,不可能在時域和頻域同時獲得較高的分辨率。而且在EEG 中有許多病變都是以瞬態(tài)形式表現(xiàn)的,只有把時間和頻率結(jié)合起來進(jìn)行處理才能取得更好的結(jié)果??梢哉f信號的時-頻表示法為腦電信號處理提供了非常好的前景。目前應(yīng)用的較為廣泛的方法有維格納- 費利分布(Wigner -VilleDistribution,WD)和小波變換,匹配跟蹤方法目前也已用于睡眠紡錘波的分析[2]。
(4)諧波小波包變換
腦電波是典型的非平穩(wěn)信號,不同時刻有不同的頻率成分,把時間和頻率結(jié)合起來分析才能得到更好的結(jié)果。小波變換具有很好的時頻分析功能,因此近年來應(yīng)用小波變換分析腦電波倍受關(guān)注。例如應(yīng)用小波變換的多尺度分析來分析EEG中的異常波,如棘波、棘慢復(fù)合波等。在腦電圖檢測中,許多病變是以瞬態(tài)異常波形表現(xiàn)的,因此小波變換的局部瞬變捕捉性質(zhì)和線性相位特性尤為重要。常見的二進(jìn)小波變換的主要缺點是隨著分解層數(shù)的增加,逐漸向低頻聚焦,對信號的高頻段的刻劃比較粗糙。小波包變換是二進(jìn)小波變換的改進(jìn),對信號的高頻段也進(jìn)行分解,但是仍不能在同一分解層得到感興趣的頻段。另外,二進(jìn)小波變換和二進(jìn)小波包變換均采用二抽一采樣,隨著尺度的增加,采樣頻率減半,數(shù)據(jù)點減半,當(dāng)數(shù)據(jù)點數(shù)比較少時,信號的細(xì)節(jié)會丟失。英國劍橋大學(xué)Newland教授提出的諧波小波包變換對信號中的奇異成分非常敏感,具有線性相位特性并且可以用快速傅立葉算法實現(xiàn),具有重要的工程應(yīng)用意義。諧波小波變換可以通過FFT和IFFT運算實現(xiàn),這是諧波小波變換顯著的優(yōu)點。參數(shù)決定了諧波小波變換的尺度,通過不斷變化參數(shù)的值,調(diào)節(jié)帶寬大小和中心頻率,以匹配不同頻帶的信號,就實現(xiàn)了諧波小波包變換[6]。
(5)希爾伯特一黃變換
時頻分析方法在腦電分析中有其優(yōu)勢,但主要的時頻分析方法各有優(yōu)缺點:短時傅立葉變換簡單易實現(xiàn),其主要缺陷在于所謂“窗效應(yīng)”,使用固定的窗函數(shù),其頻率分辨率受窗寬約束;小波變換采用可變窗口對信號進(jìn)行分析,較好地解決了時間和頻率分辨率的矛盾,是目前最好的時頻分析方法之一。但小波方法也有其缺點:一旦選擇了小波母函數(shù),則必須用它來分析全部信號,因此,小波不具有自適應(yīng)性。此外.有時小波變換的解釋也不直觀。
黃鄂博士等提出的希爾伯特一黃變換(Hilbert--Huang Transform HHT)是一種新的非平穩(wěn)信號時頻分析方法,通過EMD(empirical mode decompositionEMD)方法得到一系列內(nèi)蘊(yùn)模態(tài)函數(shù)(intrinsicmodefunctionIMF)。IMF的特點使得通過希爾伯特變換得到的瞬時頻率不僅有數(shù)學(xué)上的意義,也有了物理上的意義。另外,EMD分解的基函數(shù)直接來自信號本身,信號分解具有局域性和自適應(yīng)性,特別適合于分析非平穩(wěn)信號。對IM'F進(jìn)行希爾伯特交換可以構(gòu)建信號的時間一頻率一振幅(能量)分布,即希爾伯特(能量)譜。希爾伯特譜無論在頻域還是時域上都有良好的分辨率,并且三維的分布能夠反映出信號的內(nèi)在本質(zhì)特性[7]。
人們希望通過自發(fā)腦電,解釋人的心理活動,用大腦中電壓變化測量心理活動,需要劇烈的、非常的心理活動才能在自發(fā)腦電上觀測到一點點變化。但用自發(fā)腦電活動來衡量人的心理活動內(nèi)容,由于腦電太弱,此時就需要把這種內(nèi)容重復(fù)呈現(xiàn)30-50次,把每次測量到的電位疊加起來,才能進(jìn)行觀察,這就是所說的誘發(fā)電位技術(shù),通常叫做事件相關(guān)電位,簡稱ERP。ERP學(xué)在認(rèn)知神經(jīng)科學(xué)中具有重要作用。這是因為在研究具更廣泛重要性的問題之前,你首先需要相當(dāng)程度地了解那些特異性ERP成分[10]。
一般情況下,進(jìn)行ERP研究時,為得到可靠的ERP波形,對原始腦電數(shù)據(jù)的離線分析過程主要包括以下基本步驟[3]:
(1)合并行為數(shù)據(jù);
(2)腦電預(yù)覽;
(3)偽跡剔除或矯正,包括眼電(EOG)、心電(EKG)、肌電(EMG)等;
(4)數(shù)字濾波(根據(jù)具體情況和經(jīng)驗進(jìn)行參數(shù)選擇);
(5)腦電分段;
(6)基線校正;
(7)去除偽跡;
(8)疊加平均;
(9)數(shù)字濾波(根據(jù)需要選擇)和平滑化處理;
(10)總平均;
(11)波形識別、測量、統(tǒng)計分析、作圖。
針對EEG 信號的模式識別國外學(xué)者已進(jìn)行了大量的實驗與研究。對于BCI 技術(shù)來說,要使腦機(jī)接口技術(shù)有更大實用意義,必然要實現(xiàn)多類EEG 信號模式識別,所以提高多類分類的精度是很有必要的。但由于實驗方法各有差異,且各種多分類方法本身均存在不同程度的缺陷,并沒有一個公認(rèn)的效果很好的多分類方法。而支持向量機(jī)與其它傳統(tǒng)的模式識別方法相比,以其結(jié)構(gòu)風(fēng)險最小化原則而非經(jīng)驗風(fēng)險最小化原則,在EEG 的模式識別問題中也已展現(xiàn)出較強(qiáng)的分類能力和泛化能力[4]。
支持向量機(jī)SVM是在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來的一種新的機(jī)器學(xué)習(xí)方法,是結(jié)構(gòu)風(fēng)險最小化原理的實現(xiàn)。算法實現(xiàn)需具有深厚的數(shù)學(xué)功底和計算機(jī)編程技術(shù),對非計算機(jī)專業(yè)的廣大研究人員來說,一種簡單高效的實現(xiàn)環(huán)境和方法是迫切的需要。支持向量機(jī)算法在MATLAB環(huán)境下易于實現(xiàn)和靈活應(yīng)用的特點,很好的提供這一技術(shù)平臺[8]。
對于樣本的識別,目前相關(guān)研究中采用最多的是BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)方法,但BP神經(jīng)網(wǎng)絡(luò)存在固有的收斂速度慢,容易陷入局部最小點的缺陷。支持向量機(jī)是由Vapnik 最初在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上建立起來的一種非常有力的機(jī)器學(xué)習(xí)方法,是一種新穎的人工智能技術(shù),目前在信號處理、系統(tǒng)辨識與建模、先進(jìn)控制和軟測量等領(lǐng)域都得到了廣泛的應(yīng)用[9]。
支持向量機(jī)中的參數(shù)較多,對其的選擇極大程度上決定了分類器的復(fù)雜性、泛化能力及魯棒性,所以參數(shù)尋優(yōu)的意義尤為重大。許多尋優(yōu)算法都已應(yīng)用到了支持向量機(jī)參數(shù)優(yōu)化問題當(dāng)中,比如網(wǎng)格點法、K折交叉驗證法、梯度算法、遺傳算法、粒子群算法、蟻群算法和模擬退火算法等[4]。
二、研究主要成果
本設(shè)計主要基于MATLAB分析平臺,實現(xiàn)對EEG信號的分析和處理,從而提取相關(guān)的信息,以供研究人員進(jìn)行科學(xué)研究,對臨床醫(yī)學(xué)和認(rèn)知科學(xué)領(lǐng)域具有重要的參考價值和科學(xué)意義。
首先需完成EEG 信號CNT文件的讀取和顯示,對大容量數(shù)據(jù)進(jìn)行分段、壓縮或者改變采樣頻率以減小數(shù)據(jù)量,方便處理。同時進(jìn)行基線的調(diào)整,壞數(shù)據(jù)的剔除等工作。
然后基于特定信號源編碼與EEG信號作相關(guān)分析,得出主成分信號。主成分分析是一種通過降維技術(shù)把多個變量化為少數(shù)幾個主成分(即綜合變量)的統(tǒng)計分析方法。這些主成份能夠反映原始變量的絕大部分信息,它們通常表示為原始變量的某種線性組合。
再者嘗試不同信號變換,尋出關(guān)聯(lián)事件類型下的最大相關(guān)信號特征。主要有合并行為數(shù)據(jù)、腦電預(yù)覽、偽跡剔除或矯正、數(shù)字濾波、腦電分段、基線校正、去除偽跡、疊加平均、數(shù)字濾波和平滑化處理、總平均、波形識別等步驟。
最后利用SVM,PLS等分析方法,對信號特征進(jìn)行關(guān)聯(lián)匹配,尋找最優(yōu)方法和參數(shù)。支持向量機(jī)就是首先通過用內(nèi)積函數(shù)定義的非線性變換將輸入空間變換到一個高維空間,在這個空間中求(廣義) 最優(yōu)分類面。SVM 分類函數(shù)形式上類似于一個神經(jīng)網(wǎng)絡(luò),輸出是中間節(jié)點的線性組合,每個中間節(jié)點對應(yīng)一個支持向量通過把原問題轉(zhuǎn)化為對偶問題,計算的復(fù)雜度不再取決于空間維數(shù),而是取決于樣本數(shù),尤其是樣本中的支持向量數(shù)。這些特點使有效地對付高維問題成為可能。在最優(yōu)分類面中采用適當(dāng)?shù)膬?nèi)積函數(shù)就可以實現(xiàn)某一非線性變換后的線性分類,而計算復(fù)雜度卻沒有增加[5]。
三、發(fā)展趨勢
腦電信號中包含了大量的生理與疾病信息。在臨床醫(yī)學(xué)方面,腦電信號處理不僅可為某些腦疾病提供診斷依據(jù),而且還為某些腦疾病提供了有效的治療手段。在工程應(yīng)用方面,人們也嘗試?yán)媚X電信號實現(xiàn)腦-計算機(jī)接口(BCI),利用人對不同的感覺、運動或認(rèn)知活動的腦電的不同,通過對腦電信號的有效的提取和分類達(dá)到某種控制目的。但由于腦電信號是不具備各態(tài)歷經(jīng)性的非平穩(wěn)隨機(jī)信號,而且其背景噪聲也很強(qiáng),因此腦電信號的分析和處理一直是非常吸引人但又是具有相當(dāng)難度的研究課題[2]。
腦電信號是明顯的非平穩(wěn)性信號,從20 年代檢測到腦電信號以來,雖然已作了大量的工作,但長期以來還沒有突破性的進(jìn)展。隨著信號處理方法的不斷發(fā)展,更多更有效的分析方法在腦電信號分析中的應(yīng)用,人們對于腦電活動機(jī)理將有進(jìn)一步的認(rèn)識,也必將為臨床醫(yī)學(xué)和基礎(chǔ)醫(yī)學(xué)的發(fā)展作出新的貢獻(xiàn)[2]。
由于統(tǒng)計學(xué)習(xí)理論和支持向量機(jī)建立了一套較好的有限樣本下機(jī)器學(xué)習(xí)的理論框架和通用方法,既有嚴(yán)格的理論基礎(chǔ),又能較好地解決小樣本、非線性、高維數(shù)和局部極小點等實際問題,因此成為九十年代末發(fā)展最快的研究方向之一,其核心思想就是學(xué)習(xí)機(jī)器要與有限的訓(xùn)練樣本相適應(yīng)。統(tǒng)計學(xué)習(xí)理論雖然已經(jīng)提出多年,但從它自身趨向成熟和被廣泛重視到現(xiàn)在畢竟才只有幾年的時間,其中還有很多尚未解決或尚未充分解決的問題,在應(yīng)用方面的研究更是剛剛開始。這是一個十分值得大力研究的領(lǐng)域[5]。
四、存在問題
EEGLAB統(tǒng)計方法具有局限性:1、結(jié)果不易顯著。2、進(jìn)行多因素統(tǒng)計分析存在局限性(無法探討交互作用)。
為了研究學(xué)習(xí)過程一致收斂的速度和推廣性,統(tǒng)計學(xué)習(xí)理論定義了一系列有關(guān)函數(shù)集學(xué)習(xí)性能的指標(biāo),其中最重要的是V C維(Vapnik-Cherv onenkis Dimension)。模式識別方法中V C維的直觀定義是:對一個指示函數(shù)集,如果存在h 個樣本能夠被函數(shù)集中的函數(shù)按所有可能的形式分開,則稱函數(shù)集能夠把h 個樣本打散;函數(shù)集的VC維就是它能打散的最大樣本數(shù)目h。若對任意數(shù)目的樣本都有函數(shù)能將它們打散,則函數(shù)集的VC維是無窮大,有界實函數(shù)的VC維可以通過用一定的閾值將它轉(zhuǎn)化成指示函數(shù)來定義。VC維反映了函數(shù)集的學(xué)習(xí)能力,VC維越大則學(xué)習(xí)機(jī)器越復(fù)雜(容量越大)。遺憾的是,目前尚沒有通用的關(guān)于任意函數(shù)集VC維計算的理論,只對一些特殊的函數(shù)集知道其VC維。對于一些比較復(fù)雜的學(xué)習(xí)機(jī)器(如神經(jīng)網(wǎng)絡(luò)),其VC維除了與函數(shù)集(神經(jīng)網(wǎng)結(jié)構(gòu))有關(guān)外,還受學(xué)習(xí)算法等的影響,其確定更加困難。對于給定的學(xué)習(xí)函數(shù)集,如何(用理論或?qū)嶒灥姆椒?計算其VC維是當(dāng)前統(tǒng)計學(xué)習(xí)理論中有待研究的一個問題[5]。
關(guān)于如何選擇支持向量機(jī)的多分類方法尚沒有一個系統(tǒng)的、有指導(dǎo)意義的簡捷方法。方法原理各不相同,各有優(yōu)缺點,在不同場合有不同表現(xiàn),具體問題應(yīng)當(dāng)選用何種方法尚未有較好的選擇標(biāo)準(zhǔn),就其使用時的簡便性來說,一對多法相對使用廣泛。在選擇最佳多分類方法時仍需對各種方法進(jìn)行試驗挑選。所以在支持向量機(jī)應(yīng)用于EEG 模式識別的問題上仍有很大的研究空間,需要從BCI 系統(tǒng)整體出發(fā),考慮到樣本的選擇方法,分類器的可靠性評判等方面建立多類模式識別的評判系統(tǒng)[4]。雖然SVM方法在理論上具有很突出的優(yōu)勢,但與其理論研究相比,應(yīng)用研究尚相對比較滯后,目前只有較有限的實驗研究報道,且多屬仿真和對比實驗。SVM的應(yīng)用應(yīng)該是一個大有作為的方向。如何調(diào)整支持向量機(jī)分類器的參數(shù), 使得在限定一類錯誤率的前提下使另一類的錯誤率達(dá)到最小也是我們下一步的工作[11]。
誘發(fā)電位儀這種設(shè)備,它的優(yōu)點在于它能把微弱的信號通過疊加使之從無序的自發(fā)電位中突出出來,從而人們能夠識別它。但是它的優(yōu)點同時也就是它的缺點,須知,人的心理是一種活動的過程,而活動過程是不能靜止的,靜止了就不是心理活動了,把一個靜止的狀態(tài)連續(xù)疊加30-50次,它從自發(fā)電位中確實突出出來了,但可惜的是,它不是我們所希望看到的那種連貫的心理活動了。比如說,我們令一個被試觀看一張恐怖的圖片,被試產(chǎn)生了恐懼反應(yīng),這種恐懼信號太弱,不足以被識別出來,為了是它從自發(fā)電位中突出出來,就需要疊加,可是當(dāng)?shù)诙慰吹剿鼤r,被試的恐懼感還是第一次那樣嗎?第三、第四更不是,最后會不會對連續(xù)觀察恐懼圖片產(chǎn)生厭惡感。而且,引起誘發(fā)電位的那種刺激呈現(xiàn)之后,一般是觀察300毫秒以內(nèi)的變化,研究者們觀察最多的是P300,須知,300毫秒也就是不到一秒鐘的三分之一的時間,只相當(dāng)于選擇反應(yīng)時的時間長度,如此短暫的時間,能夠允許復(fù)雜的心理活動在人們的意識里明明白白地產(chǎn)生并保留一會兒嗎?300毫秒里能完成的心理活動,只是復(fù)雜心理活動鏈條中的一剎那的片段,不是通常一以上的心理活動,因此,用這種方法研究復(fù)雜的心理現(xiàn)象,猶如用照片來反映一個人對事物的態(tài)度一樣,只能是管中窺豹,只見一斑。
腦電技術(shù)與心理學(xué)研究的結(jié)合還有很長一段路要走。
5、 參考文獻(xiàn)
[1] 劉克球,呂以喬,以氏.生物醫(yī)學(xué)電子學(xué)[M].北京大學(xué)出版社,1988.
[2] 季忠,秦樹人,彭麗玲.腦電信號的現(xiàn)代分析方法[J].重慶大學(xué)學(xué)報,2002,25(9):108-112.
[3] 趙侖.ERPs實驗教程[M].南京:東南大學(xué)出版社,2010.7.
[4] 李耀楠,張小棟,王云霞.支持向量多分類機(jī)的多類復(fù)雜手操作EEG信號模式識別[J].機(jī)械與電子,2009,12(7).
[5] 張學(xué)工.關(guān)于統(tǒng)計學(xué)習(xí)理論與支持向量機(jī)[J].自動化學(xué)報,2000,26(1):32-42.
[6] 楊仁桓,宋愛國,徐寶國.基于諧波小波包變換的腦電波基本節(jié)律分析[J].東南大學(xué)學(xué)報,2008,38(6):996-999.
[7] 毛大偉.分尺度復(fù)雜性及希爾伯特—黃變換在腦電分析中的應(yīng)用.浙江大學(xué),2005.
[8] 董婷.支持向量機(jī)分類算法在MATLAB環(huán)境下的實現(xiàn)[J].榆林學(xué)院學(xué)報,2008,18(4):94-96.
[9] 周紅標(biāo).基于小波包變換和最小二乘支持向量機(jī)的癲癰腦電信號識別.淮陰工學(xué)院電子與電氣工程學(xué)院,2011.
[10] STEVEN J.LUCK.事件相關(guān)電位基礎(chǔ)[M].上海:華東師范大學(xué)出版社,2009.
[11] 李鋼,王蔚,張勝.支持向量機(jī)在腦電信號分類中的應(yīng)用[J].計算機(jī)應(yīng)用,2006,26(6):1431-1436.
[12] 賈花萍.基于PNN 神經(jīng)網(wǎng)絡(luò)的EEG 信號分類方法研究[J].河南科學(xué),2011,29(7):846-849.
收藏