基于改进Logistic回归模型的运动想象脑电辨识方法研究

论文总字数：29442字

摘 要

脑电信号除了具有噪音和有限的空间分辨率等特征，其内在的非平稳性使得单次运动想象脑电信号分类在脑机接口（BCI）领域成为一个更具挑战性的问题。信号属性的变化常常导致分类性能的恶化。这主要归因于，常规的特征提取和分类法没有把信号的变化考虑在内。尽管一些标准特征提取方法的扩展已被提出来减少数据对非平稳的敏感性，但是它们优化不同的目标函数，因此所提取的特征可能不是最优化的。在本文中，我们建议直接优化分类器的区分性和稳健性，并表明这样可以极大地提高性能，特别是对于控制BCI有困难的实验对象。此外，在两个数据集上的结果表明我们的方法在减少分类错误率上显著优于其他与之相比的方法。

关键词：脑机接口，单次运动想象脑电信号分类，矩阵逻辑回归，平稳性正则化因子，加速邻近梯度下降法。

Optimizing Single-Trial EEG Classification by

Stationary Matrix Logistic Regression in

Brain-Computer Interface

Abstract

In addition to the noisy and limited spatial resolution characteristics of the EEG signal, the intrinsic non-stationarity in the EEG data makes the single-trial EEG classification an even more challenging problem in brain-computer interface (BCI). Variations of the signal properties within a session often result in deteriorated classification performance. This is mainly attributed to the reason that the routine feature extraction or classification method does not take the changes in the signal into account. Although several extensions to the standard feature extraction method have been proposed to reduce the sensitivity to nonstationarity in data, they optimizes different objective functions from that of the subsequent classification model, thereby the extracted features may not be optimized for the classification. In this paper, we propose an approach that directly optimizes the classifier’s discriminativity and robustness against the withinsession non-stationarity of the EEG data through a single optimization paradigm, and show that it can greatly improve the performance, in particular for the subjects who have difficulty in controlling a BCI. Moreover, the experimental results on two benchmark data sets demonstrate that our approach significantly outperforms the compared approaches in reducing classification error rates.

KEY WORDS: Brain-computer interface, single-trial classification, matrix logistic regression, stationarity regularizer, accelerated proximal gradient

目 录

摘要 I

Abstract I

第一章 概述 1

1.1 脑机接口的基本概念和研究意义 1

1.2运动想象脑电辨识研究现状 2

1.3本论文的研究工作 4

第二章 改进Logistic回归脑电辨识方法设计方案 5

2.1矩阵Logistics回归(MLR)方法 5

2.2改进logistics回归方法 6

2.2.1平稳性正则化因子 6

2.2.2加速邻近梯度下降法 7

第三章 关于sMLR方法的讨论 12

3.1 sMLR方法与基于CSP方法以及其扩展方法的讨论 12

3.1.1与基于CSP方法的比较： 12

3.1.2与目前的平稳CSP扩展方法的比较 12

3.2另外一个sMLR优化方法的讨论 12

第四章 实验 14

4.1实验所用数据集 14

4.2实验数据预处理方法 14

4.3实验参数设置 15

4.4实验结果 15

4.5 sMLR方法的优点 18

第五章 讨论与结论 22

5.1 讨论 22

5.2 结论 22

致谢 23

参考文献........................................................................................................................24

第一章 概述

1.1 脑机接口的基本概念和研究意义

随着计算机技术的进步和脑功能研究的不断深入，人们开始尝试建立一种全新的、不依赖于肌肉神经活动的交流和控制通路，在脑和外部环境之间传递信息和命令，这就是脑机接口(Brain-Computer Interface，BCI)。脑机接口的研究是为了建立一个用户的意图和电脑之间的直接控制通道。一方面，这样的系统可以帮助有脑部损伤的人来恢复自己的运动功能[1]，或控制功能一个神经假体或轮椅[2]等。在另一方面，对于健康的人它可以成为一个额外的人机界面，能够提高生产率和在高通量任务中的效率[3]。

脑机接口是当前的一个热门研究领域，其涉及到脑科学、医学、数学、计算机科学、信号处理、自动控制理论和传感器等，具有高度的学科交叉性。作为一种新兴的交叉学科技术，脑机接口的许多应用都处于探索阶段。脑机接口最初的研究动机是为了给运动性障碍的残疾人提供辅助康复技术。例如肌萎缩侧索硬化症(Amyotrophic Laternal Sclerosis, ALS)和脊髓损伤的患者，他们通常会退化到所谓的闭锁（“Locked-in”）状态而丧失与外界通信联系，脑机接口就成为了他们与外界交流的一种可能途径。根据《第二次全国残疾人抽样调查》，我国残疾人数占全国总人口的6.34%，其中肢体残疾人数已超过2400万。随着城市人口的增长和城市交通问题的日益突出，这一数字还在不断上升。中风、老年痴呆、帕金森病等疾病，随着我国老龄化社会的来临，发病率和发病人数也在上升。随着这些疾病而来了的是巨大的社会问题和经济负担。而脑机接口可以提高这些病人的独立生活能力，可以康复其神经系统的部分功能，在减轻病人的痛苦的同时也减轻社会和家庭的负担。此外，随着计算机技术和生物传感器技术的进展，脑机接口的应用前景已大为改善，使其不仅可以用于助残领域，也可潜在用于其它包括游戏娱乐、军事等领域。

脑机接口的应用前景广泛，其中包括：

剩余内容已隐藏，请支付后下载全文，论文总字数：29442字