首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   10篇
  免费   0篇
综合类   10篇
  2018年   1篇
  2014年   3篇
  2013年   1篇
  2009年   1篇
  2007年   1篇
  2006年   3篇
排序方式: 共有10条查询结果,搜索用时 15 毫秒
1
1.
提出了脑控虚拟键盘上按钮的编码以每个按钮中靶标出现的时间次序安排,搜索出靶信号出现的位置就能探测受试者的选择.以基于最小误判准则的贝叶斯分类器,对靶及非靶两类刺激信号进行分类训练,分别在通道和时段选择上进行了特征提取研究,得到识别率最高的5个通道中最佳时段的训练参数.利用训练了的分类器,对受试者每次按钮选择所记录到的EEG信号中可能出现靶刺激的位置进行搜索,来判断受试者所选择的按钮.结果表明:最佳通道P 8获得了72.50%的平均正确识别率,该结果为构建一个实时的脑控拼写装置打下了基础.  相似文献   
2.
为了克服当前基于P300的测谎方法训练时间长、个体识别准确率不够高的缺点,提出了将主成分分析(Principal component analysis,PCA)和极端学习机(Extreme Learning Machine,ELM)相结合的PCA_ELM测谎方法.该方法使用典型的三刺激测谎范式,记录30名随机划分的撒谎和无辜者在Pz电极上的脑电(EEG)信号,选择探针刺激响应并对每名受试者的每5个响应波形进行平均,然后对两类信号提取小波特征.PCA被用于对原始特征空间进行特征选择.降维后的特征样本被送到ELM分类器,该分类器学习速度快,泛化能力强,但是对于其隐层节点数的指定一直未有有效的解决方法.我们通过对特征子空间的维数和ELM的隐层节点数进行二维的网格搜索算法,基于交叉验证的方法,对两个参数进行同步优化选择,训练得到最佳参数下的分类模型.实验结果表明,提出的PCA_ELM方法不仅在训测谎准确率上高于当前的广泛使用的分类模型,而且训练时间大大缩短,尤其适合于在线的测谎系统.  相似文献   
3.
脑-之机接口的核心问题之一是通信载体信号的单次提取.在构建脑控拼写器的过程中,通过“模拟自然阅读”诱发模式产生的视觉诱发电位作为人脑与计算机之间的通信载体,采用支持向量机方法进行特征信号的单次识别.为提高识别精度,详细研究了信号时程、时段的选择对模式识别精度的影响.结果表明,信号时程越长分类精度越高,时程达到300ms时,分类精度就可达到最大值(且趋于饱和);信号时段的选择对分类精度亦有较大影响,最佳时段在靶刺激出现后约250~350ms作为起始处.这一结果为提高系统的整体速度与精度打下了基础.  相似文献   
4.
通过对脑-计算机接口中通信信号进行频谱分析,发现了靶刺激信号与非靶刺激信号的频谱在10Hz以下的低频段有较大的不同,采用Daubechies小波和Mallat算法对脑电信号进行多尺度分解,对高频分解系数简单置零、低频系数引入连续阈值函数进行滤波,使白噪信号在一定程度上得以滤除,靶刺激信号更加突出,提高了后续模式分类的正确率.  相似文献   
5.
设计并实现了采用非监督特征学习方法对模拟阅读事件相关电位实验中多名受试者脑电信号的特征提取,并对提取的特征向量进行了模式分类.实验中共采集5名受试者脑电信号,每名受试者的特征样本集由其接受模拟阅读靶视觉刺激后100400ms在通道PO3、O1、Oz、O2、PO4、P4、P8、CP6的脑电信号样本组成,各受试者样本集均含400个试次样本.非监督特征学习过程由含6个神经节的BP神经网络完成,后选用支持向量机作为分类器.对比了1试次,2试次、5试次、10试次样本叠加等几种不同情况下采用非监督特征学习方法提取特征的分类正确率.实验结果表明:采用多神经节人工神经网络对5名使用者5试次叠加信号样本提取的特征向量的分类正确率高于90%,显著优于对各单通道时域特征向量的分类正确率,该方法可为以脑电信号为特征的身份识别系统提供一种可行的特征提取方式.  相似文献   
6.
针对目前大多数便携式脑电记录仪只能记录脑电信号,而不能随时查看脑电图的现状,设计了一种基于Android移动设备的脑电记录仪,其中下位机通过高精度的AD转换器将脑电信号转换为数字信号,再通过蓝牙发送给上位机,在上位机对信号进行数据拼接﹑存储和滤波,并绘制出脑电图,实验表明:该记录仪可以准确地进行脑电图绘制,能随时查看脑电图,且体型小巧、携带方便.  相似文献   
7.
采用"模拟阅读"视觉诱发事件相关脑电位的实验模式进行了脑-机接口实验,记录受试者在靶标和非靶标刺激下的脑电信号并进行了模式分类.首先对原始的脑电信号进行预处理、提取最优特征,然后利用核Fisher准则对采集到的脑电信号进行分类.为了验证这种方法的有效性,同时还对信号进行了感知准则和Fisher准则的分类.对5名受试者测试的结果表明:核Fisher准则分类器的正确率分别为92.98%,88.85%,76.32%,78.33%和95.52%,分别高出Fisher准则、感知准则约20%、10%,表明核Fisher准则对含有非线性可分的脑电信号的分类效果比单纯的线性方法更为优越.  相似文献   
8.
用多通道特征组合和SVM单次提取诱发脑电信号   总被引:1,自引:0,他引:1  
以“模拟人类自然阅读诱发模式”产生的诱发脑电信号作为载体,利用脑一机接口这种新颖的人-机交互方式构建一种脑控拼写装置.在这种实时通信模式中,不能采用认知科学实验及临床中的常规相干平均方法来提取诱发电位,而必须实现特征信号的单次识别.对来自四个通道的各种信号成分进行特征组合,利用支持向量机分类器对一名被试者脑电信号中的载波成分进行了单次提取,最佳特征组合的平均正确识别率为98.8%,证明了诱发模式的先进性和系统实现的可行性.  相似文献   
9.
为了实现脑-机接口通信信号的单次提取,基于视觉诱发电位在脑部不同位置的相关性应该比自发脑电信号强这一特点,采用多通道的同步平均信号作为特征,用支持向量机分类算法,对一名受试者200次选择作业的记录进行了分类.结果表明,在仅利用Cz与Pz两个通道的信号叠加平均后,取250~550 ms时段的信号作为分类器的特征值,能达到97%以上的分类精度.这可为简化脑-机接口系统的设计、提高通信速率提供参考.  相似文献   
10.
为了有效地提取N2-P3成分,利用ICA对脑电数据进行盲源分离,自动提取N2-P3成分;同时为了克服传统方法如支持向量机、神经网络训练时间长、个别识别准确率不够高的缺点,选择极限学习机作为分类器.在模拟阅读实验范式下,记录了7名受试者的脑电数据,利用ICA分别对每名受试者的高维脑电数据进行盲源分离,提取出N2-P3成分,以此作为靶特征,并与非靶特征一起放入极限学习机分类器进行分类.训练得到7名受试者的训练时间和分类准确率,并与支持向量机进行了比较.结果表明:经过ICA特征提取后,使用极限学习机进行分类,该分类器学习速度快,泛化能力强,训练时间大大减少.在分类准确率上,ICA+ELM的分类准确率较传统的最佳单通道+SVM有较大幅度的提升,从后者平均的82.4%提升到了97.7%.  相似文献   
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号