一种新的BP学习算法及在运动想象脑电信号分类识别中的应用

对运动想象(MI)脑电信号的正确分类是决定基于运动想象脑电的脑－机接口(BCI)性能的关键因素。为有效地提取MI脑电信号特征、提高分类正确率,提出一种基于单形进化的BP神经网络优化算法(BPSSSE)并运用于MI脑电信号的识别,提取自相关(AR)模型参数和希尔伯特边际谱作为特征输入,通过单形进化算法优化BP神经网络学习性能,实现对MI脑电信号的分类。测试实验中,对BCI竞赛数据进行左右手分类。结果表明在4s~ 8s时间段内平均分类正确率为80.17%,最高分类正确率为87.14%,证明了本文算法在基于MI脑电的脑机交互控制系统中应用研究的有效性和可行性。     

基于自发脑电的脑机接口实验研究与设计

针对基于自发脑电信号的脑机接口研究,设计了一种科学的且易实现的运动想象实验范例,利用运动想象脑电作为BCI的控制信号。该实验方案能有效地获得可识别的具有特征性的自发脑电电位,满足脑机接口实验要求,为BCI的研究提供了一种更加自然、更加实用的控制方式。     

基于ECoG的运动想象脑-机接口分类方法

脑—机接口BCI(Brain-Computer Interface)技术是近年来国际上的研究热点之一,它通常利用脑电EEG(electroencephalo-gram)来实现无动作的人机交互,运动想象是其中一种重要的BCI实验范式。有关研究表明,脑皮层电位ECoG(electrocorticogram)具有更好的信噪比与频带特性。研究基于ECoG的运动想象BCI系统,针对ECoG信号的特点,改进了信号处理方法,提取数据的公共空间模式CSP(Common Spatial Pattern)特征,并利用支持向量机SVM(Support Vector Machines)进行分类器设计,提高了运动意向的识别正确率。用相应方法处理2005年脑-机接口竞赛中的一组实验数据,正确率达到92%,相比于当时参赛时所用的方法提高了6%。实验还发现,支持向量机在克服"维数灾难"和"过拟合"方面具有更好的鲁棒性。     

基于mu节律能量的运动意识分类研究

基于脑电(EEG)的脑机接口(BCI)是在人脑和计算机或其它电子设备之间建立不依赖于常规大脑信息输出通路(外周神经和肌肉组织)的全新对外信息交流和控制技术。文中提出了基于mu节律能量为脑电特征的意识任务分类思想,对被测试者想象左右手运动的脑电mu节律能量(二阶矩)及其动态变化情况进行研究。实验结果表明,基于mu节律能量的想象左右手运动意识识别和分类的正确识别率可达85%。二阶矩计算简单,而且可在线计算,故可以认为,基于mu节律能量为脑电特征的意识任务分类在脑机接口的应用中有较高的实用价值。     

基于mu节律能量的运动意识分类研究

基于脑电（EEG）的脑机接口（BCI）是在人脑和计算机或其它电子设备之间建立不依赖于常规大脑信息输出通路（外周神经和肌肉组织）的全新对外信息交流和控制技术。文中提出了基于mu节律能量为脑电特征的意识任务分类思想，对被测试者想象左右手运动的脑电nm节律能量（二阶矩）及其动态变化情况进行研究。实验结果表明，基于nm节律能量的想象左右手运动意识识别和分类的正确识别率可达85％。二阶矩计算简单，而且可在线计算，故可以认为，基于nm节律能量为脑电特征的意识任务分类在脑机接口的应用中有较高的实用价值。     

感知器算法在运动想象脑电模式识别中的应用

基于脑电(EEG)的脑机接口(BCI)是在人脑和计算机或其它电子设备之间建立不依赖于常规大脑信息输出通路(外周神经和肌肉组织)的全新对外信息交流和控制技术。及时有效地提取和识别与运动想象相关的脑电模式可以帮助严重瘫痪病人控制光标或辅助运动设备以替代其受损的运动功能,建立一种与外界交流沟通的新途径。论文将以EEG(C3,C4)两个通道的mu节律能量作为特征向量,用感知器算法对左右手运动想象脑电模式进行识别,实验结果表明,正确识别率可达87.86%。由于感知器算法计算简单,故可以认为,感知器算法在脑机接口的应用中有较高的实用价值。     

LM算法在神经网络脑电信号分类中的研究

在脑机接口(BCI)中,脑电信号(EEG)的特征提取和分类识别可以通过多层前馈神经网络的大量学习来实现,但是基于误差反向传播的BP神经网络标准算法收敛速度慢,在训练中效率不高,分类正确率也很有限。针对这些问题,文中提出使用一种快速稳定的Levenberg-Marquardt算法来代替BP算法进行神经网络的学习训练,并利用BCI 2008竞赛的Graz数据集B进行了对左右手想象运动脑电信号分类的MATLAB仿真实验。该方法使得脑电信号分类的正确率达到87.1%,比BP算法的正确率78.2%要高,并且具有更好的收敛性。该算法为脑电信号的分类提供了有效的手段。     

基于样本熵的运动想象分类研究

提出了基于脑电的样本熵特征进行运动想象分类的思想,分析了左右手运动想象时感觉运动皮层的脑电信号样本熵及其动态变化规律．结果表明,样本熵能够较好地反映左右手运动想象时脑电特征的变化,具有明确的生理意义．在此基础上,利用Fisher线性分类器对基于样本熵的左右手运动想象进行了动态分类,得到的平均最大分类正确率达到87.8%．最后,提出了一种样本熵的快速算法,其计算量小、速度快,满足BCI实时系统要求．     

多任务运动想象脑电特征的融合分类研究

针对运动想象脑-机交互任务模式单一、识别精度低、实用性较差等问题,采用改进的共空间模式（CSP）的特征提取方法,并利用支持向量机（SVM）与CSP融合分类方法对多类任务运动想象脑电特征进行分类识别。首先,选择特定导联上的脑电信号进行小波分解与重构,去除冗余信息;其次,利用特征参数做差的方法,得到较为明显的脑电特征;最后,通过SVM融合CSP的分类模式,对脑电特征进行多任务分类。利用BCI竞赛数据,对左手,右手,舌和脚四类运动想象任务的脑电进行识别。结果表明：分类正确率最高达到90.9%,平均正确率为86.8%,Kappa系数为0.8867,信息传输速率可达0.68 bit/trial,能够有效的获得脑电特征并较好的实现多任务运动想象脑电识别。     

基于多类运动想象任务的EEG信号分类研究

针对多类运动想象脑电信号个体差异性强和分类正确率比较低的问题,提出了一种时-空-频域相结合的脑电信号分析方法:首先利用小波包对EEG原始信号进行分解,根据EEG信号的频域分布提取出运动想象脑电节律,通过“一对多”共空间模式(CSP)算法对不同运动想象任务的脑电节律进行空间滤波提取特征;然后将特征向量输入到“一对多”模式下的支持向量机(SVM)中,并利用判断决策函数值的方法对SVM的输出结果进行融合;最后通过引入时间窗对脑电信号进行时域滤波,消除运动想象开始和结束时脑电的波动,进一步提高信号信噪比和算法的分类效果;实验结果显示:在时间窗为2 s时,平均最大Kappa系数达到了0.72,比脑机接口竞赛第一名提高了0.15,验证了该算法能够有效减小脑电信号个体差异性影响,提高多类识别正确率。     

基于Vague等价关系的粗糙集分解

首先,提出了基于Vague等价关系的（α_t,α_f）-等价类,并在（α_t,α_f）-等价类基础上定义了（α_t,α_f）-粗糙集,得到（α_t,α_f）-粗糙集是λ-粗糙集的推广,研究了（α_t,α_f）-等价类和（α_t,α_f）-粗糙集的性质。其次,给出（α_t,α_f）-等价类分解、（α_t,α_f）-粗糙集分解以及（α_t,α_f）-粗糙集的边界的概念。最后,分别得到等价类、粗糙集以及粗糙集的边界基于Vague等价关系的分解结构。     

点圈并图的匹配等价图数

若两个图G和H的匹配多项式相等,称图G和H匹配等价用δ（G）表示图G的所有不同构的匹配等价图的个数。文[5]在{m₁,m₂}∩{6,9,15}=Φ准的条件下计算了δ（sK₁∪t₁C_m1∪t₂C_m2）,在该文中计算了δ（sK₁∪t₁C₃∪t₂C₆）、δ（sK₁∪t₁C₆∪t₂C₉）是文[5]的完善和补充。     

单纯形搜索在遗传算法中的融合研究

构造了单纯形混合遗传算法SM-HGA⁺。分析单纯形搜索算法,提出了单纯形交叉算子和K步随机单纯形搜索算子,并将单纯形搜索算法和这两个算子分别融入到最优微群体μP_B（t）、最差微群体μP_W（t）和普通群体P_C（t）,形成SM-HGA⁺。最优微群体中的单纯搜索算法提高算法的精度;最差微群体中的单纯形交叉算子加速最差个体向优秀个体进化;普通群体中K步随机单纯性搜索提高全局搜索速度,同时在普通群体采用大交叉概率的标准遗传算法,提高全局搜索能力。遗传算法测试函数验证算法SM-HGA⁺的正确性、效率。     

基于ECC的无可信中心的（t，n）门限秘密共享方案

利用椭圆曲线离散对数问题（ECDLP）,设计了一个无可信中心（SDC）的（t,n）门限秘密共享方案。系统的初始化、组成员的私钥、公钥的产生都不需要SDC的参与,利用各成员之间的秘密共享值,构造了秘密共享矩阵,结合Lagrange插值定理,实现了（t,n）门限秘密共享。分析表明,该方案具有较高的安全性和一定的实用价值。     

时滞系统方法的网络化H∞控制

针对网络控制系统的主要影响因素,建立包含网络诱导时延和数据丢包及错序等非理想网络状况的系统统一模型。以此为基础,对闭环网络控制系统进行了H_∞性能分析和H_∞控制器设计。由于采用新的时滞系统分析方法并考虑网络诱导时延的下界大于零这一事实,所设计的控制器具有较小的保守性和广泛的适应性。最后通过仿真例子,表明所得结果的正确性。     

求解Ramsey数下界的模拟退火算法

对于图G_1、G_2,2色广义Ramsey数R(G_1,G_2)是指最小正整数P,使得每一个p阶的图G,或者G包含G_1,或者G的补图包含G_2。用改进的模拟退火算法求解得到了R(W_m,K_n),R(B_m,K_n),R(F_m,K_n),类型的一些Ramsey数的下界。     

含有不确定时延网络控制系统的鲁棒H∞控制

研究了存在不确定时延的网络控制系统的鲁棒H_∞控制器设计方法。首先讨论了系统的建模问题,针对传感器采用时间驱动,控制器和执行器采用事件驱动,考虑不确定时延小于一个采样周期的情况,网络控制系统可建模为一类具有不确定性的线性离散时延系统,利用Lyapunov方法和线性矩阵不等式方法,推导出闭环控制系统渐近稳定且H_∞范数小于性能指标γ的充分条件,并给出动态输出反馈H_∞控制律设计方法。通过Matlab数值仿真,证明了该设计方法的有效性。     

单体型组装MEC问题的参数化算法研究

单体型组装MEC问题指如何利用个体的DNA测序片断数据,翻转最少的SNP位点值以确定该个体单体型的计算问题。根据片段数据的特点提出了一个时间复杂度为 O（nk₂2^k₂+mlogm+mk₁）的参数化算法,其中m为片段数,n为单体型的SNP位点数,k1为一个片断覆盖的最大SNP位点数（通常小于10）,k₂为覆盖同一SNP位点的片段的最大数（通常不大于10）。对于实际DNA测序中的片段数据,即使m和n都相当大,该算法也可以在较短的时间得到MEC问题的精确解,具有良好的可扩展性和较高的实用价值。     

稀疏降噪自编码器在IR-BCI的应用研究

针对脑-机接口的特征提取问题,提出了一种基于非监督学习的稀疏降噪自编码器,对刺激诱发的脑电信号进行自主学习,构建原始数据的深层特征表达。该编码器引用稀疏自编码神经网络,通过加入噪声,增强其学习的泛化能力,增加了神经网络的鲁棒性。首先对多导联信号进行重新拼接,输入稀疏降噪自编码器,得到原始数据的稀疏特征表达;然后,采用支持向量机将学习到的特征进行分类;最后,同直接使用最优单通道相对比。实验结果为：稀疏降噪自编码器的分类准确率要优于单通道,表明该方法能够更好地学习到特征,并提高了“模拟阅读”脑-机接口的识别正确率,为脑-机接口系统的特征提取和分类提供了新思路。     

基于改进的差别矩阵的快速属性约简算法

为了解决基于差别矩阵属性约简的计算效率问题,首先以计数排序的思想设计了一个新的计算U/C的高效算法,其时间复杂度降为O(|C||U|)。其次分析了基于差别矩阵的属性约简算法的不足,提出了改进的差别矩阵的定义,利用快速计算核属性算法生成的核属性和出现频率最多的属性来降低差别矩阵的大小,并设计了基于改进的差别矩阵的快速属性约简算法,证明了该新算法的时间复杂度和空间复杂度分别被降为max(O|C|2Σ0≤i相似文献