基于主成分分析和Fisher准则的脑电信号分类

脑-机接口(brain-computer interaction,BCI)利用脑电信号实现人脑与计算机或其它电子设备的通讯和控制,P300拼写范式是脑机接口中的一种常用方法.将遗传算法和支持向量机用于脑电信号的分类.选取三个实验者的实验数据作为处理对象,采用主成分分析和Fisher准则相结合提取特征.在用主成分分析降维后,Fisher准则进一步提取有效特征,提升分类准确率.采用支持向量机对特征数据分类.Fisher准则在特征提取中具有良好的效果.     

用多通道特征组合和SVM单次提取诱发脑电信号

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．     

“模拟阅读”脑-机接口信号的核Fisher分类

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.     

脑电信号中独立分量特征提取与脑力负荷分类

脑力负荷过高会造成作业绩效下降和人因事故,过低则会造成人力资源浪费,所以研究操作人员脑力负荷状态非常有意义。现有脑力负荷分类方法利用脑电(electroencephalogram, EEG)信号特征进行分类,准确率较低。所以,本文针对视觉和操作类脑力负荷提出一种基于脑电独立分量特征的分类方法,该方法采用独立分量分析(Independent Component Analysis, ICA)对脑电信号进行分离,直接对得到的独立分量提取四种不同频段的能量特征,最后将特征作为支持向量机(Support Vector Machine, SVM)的输入,对脑力负荷进行分类。由于直接使用脑电独立分量特征,所以分类精度高于现有方法,平均分类精度提高29.14%。本文还进一步发现脑电独立分量中存在的眼电伪迹对分类结果没有明显影响。本文提出的方法可以实现快速、准确、自动的脑力负荷分类。     

基于视觉和操作类脑电信号的脑力负荷分类

针对视觉和操作类任务,提出了一种基于脑电独立分量特征的脑力负荷分类方法.利用独立分量分析法从混合脑电信号中分解获得脑电信号的独立分量,再提取脑电独立分量的4个不同频段的能量特征,并对能量特征进行分类.基于脑电信号特征和脑电独立分量特征分别进行了脑力负荷分类实验,得到平均分类准确率分别为60.52%,86.14%,后者比前者提高了42.33%.     

基于特征筛选的经验模式分解脑电信号分类方法

脑-机接口已成为一种独立于正常周围神经和肌肉的从大脑到输出设备的新型通信方式.而脑电信号处理是其中的关键技术之一.利用小波变换和经验模式分解对脑电信号进行分解重构出8个内涵模态分量(IMF),然后再对分解后的IMF计算排列熵,运用比较特征值的显著性差异(Pearson系数)筛选出特征冗余小的IMF熵值,并利用遗传算法优化支持向量机进行分类,准确率达到97.64％.     

基于Fisher准则的SVM参数选择算法

支持向量机(support vector machine,SVM)分类性能主要受到SVM模型选择(包括核函数的选择和参数的选取)的影响,目前SVM模型参数选择的方法并不能较好地确定模型参数。为此基于Fisher准则提出了SVM参数选择算法。该算法利用样本在特征空间中的类别间的线性可分离性,结合梯度下降算法进行参数寻优,并基于Matlab实现选择算法。实验结果表明参数选择算法既提高了SVM训练性能,又大大减少了训练时间。     

特征筛选对脑-机接口信号单次提取精度的影响

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．     

基于脑电特征的多模式想象动作识别

对不同部位肢体想象动作诱发的脑电特征进行辨识,并提取出对应的思维信息,这是实现脑-机交互的经典方法之一,传统的左、右手双想象动作诱发模式下信息转化效率较低,引入多个肢体部位想象动作的多模式转化方法可望改善这一缺点.采用二维时频分析结合Fisher分析的方法,从典型受试者的多模式想象动作脑电信号中提取出有利于分类识别的事件相关去同步化和同步化特征信息,再使用支持向量机建立双层分类器对多模式想象动作进行分类识别.本方法对于4种不同肢体部位的识别可以达到较高的正确率(85.71%).结果表明,多模式想象动作的诱发脑电特征信息具有明显的空间特异性,可以用于脑-机交互思维任务的识别和提取,值得进一步研究.     

一种运动想象脑电信号半监督算法

针对脑机接口中两类左右手运动想象任务,提出一种依据迭代训练次数不断更新训练集样本的半监督算法.使用多重自相关分析算法,选择置信度较高的脑电信号样本并加入初始训练集;分别使用公共平均参考法与共空域模式算法,对样本进行预处理及特征提取;最后使用支持向量机对样本进行测试,根据迭代学习次数按照递进方式移除置信度较低的样本,并利用剩余样本继续训练模型,从而优化特征提取器及分类器参数.通过对标准脑电竞赛数据库BCI IV Dataset Ⅱa中左右手运动想象数据的测试表明,该算法与其他算法相比,在训练样本数目较少的情况下,具有较高的分类正确率.      

增强Fisher判决的Bagging集成分类方法

提出了一种样本间的相似性度量方法,并将这种相似性度量信息附加到Fisher线性判别的类内、类间离散度矩阵,使得Fisher判决准则在使类内距离达最小、类间距离达最大的同时,也使类内相似度达最小、类间相似度达最大,获得比原始Fisher判别更好的投影矩阵.实验证明,与Bagging集成的Fisherface比较,该方法显示出更好的识别率.     

基于大间距准则的混合核Fisher判别分析

针对KFDA算法中存在的问题,提出了基于大间距准则的混合核Fisher人脸特征提取算法;首先,将原始数据通过非线性映射投影到高维数据空间;然后,引入大间距准则和混合核函数使得同类样本在投影后离得更近,不同类样本在投影后离得更远;在PIE和AR人脸库中的仿真实验验证了算法的有效性和稳定性。     

基于Fisher判据时频分析的运动相关脑电特征选择及优化

提出了一种基于Fisher判据的运动相关脑电特征优化选择的时频分析方法,为优化选择与运动意识最相关的有效脑电频率成分提供了理论依据.在此基础上,利用具有高时频分辨率的Morlet小波方法,提取与脑电特征优化过程最为匹配的特征信息,对4个受试者运动相关脑电模式进行分类,平均最大分类正确率达到87.95%,通过最大分类正确率、最大互信息两项评价指标比较,验证了基于匹配追踪和Fisher判据时频分析的特征优化方法对改善大脑运动意识任务分类性能的有效性.实验结果表明,该文所提出的方法可望应用于脑机接口系统的运动相关脑电特征优化和选择中.     

基于多层自动编码机的fisher判别分析

在常见的特征提取方法中,Fisher判别分析（Fisher Discriminant Analysis,FDA）只能提取线性特征,基于核的方法具有提取非线性特征的能力,但对核函数类型及其参数十分敏感. 文中研究如何有效提取数据特征,提出了一种基于多层自动编码机（Stacked AutoEncoders,SAE）和Fisher标准的特征提取算法,该算法中所使用的深度学习网络模型在训练过程中结合无监督特征提取SAE以及有监督的特征提取FDA. 通过与多层自动编码机、极限学习机（Extreme Learning Machine,ELM）等模型提取的特征进行对比,在数据集Pendigits、mnist、ORL和AR上利用支持向量机对数据特征进行分类,结果表明基于SAE的Fisher变换（FDA-SAE）在分类结果准确率以及分类时间上都有较好的效果. 特别是在小数据集AR上,当样本特征较少的情况下效果非常明显.     

基于核 Fisher 判别的说话人辨认

针对语音特征的自身特点,通过对Fisher判别技术的研究,提出采用核Fisher判别技术来解决说话人辨认.核Fisher判别技术在判别中使用所有训练样本,显著提高了系统的识别率.实验数据表明,该方法在不影响系统实时性的情况下,有效地提高了说话人辨认系统的识别率.     

鉴别相对梯度直方图特征提取与分类方法简

在相对梯度直方图特征的基础上,结合Fisher线性鉴别分析和角度距离相似性度量方法,提出了一种鉴别相对梯度直方图特征提取与分类方法。充分利用相对梯度直方图和鉴别分析的优势,使所得特征保留更多的对分类有利的信息;引入角度距离相似性度量,很好地克服了传统余弦相似性度量的缺陷,使人脸分类更准确。通过FERET、YaleB和PIE 3个人脸图像子集上的实验证实,鉴别相对梯度直方图特征提取与分类方法能显著提升图像梯度描述特征的分类精度,并对人脸的光照变化具有良好的健壮性。     

基于Fisher线性判别式的层次文档分类

将文档按照主题进行层次分类,利用Fisher线性判别式的思想来提取每一类的正特征词和负特征词,给出基于Fisher线性判别式的层次文档分类算法（HDCF）。HDCF不仅克服一般层次分类算法中假定特征词之间必须满足独立性的条件,而且能处理一个文档涉及多个类的分类问题。在实验中,采用召全率和准确率2个指标与其它算法进行比较,结果表明：HDCF的效果好于其它算法。     

基于Fisher判别分析法的无粘性土渗透破坏类型判别

运用Fisher判别分析理论,选取6个特征粒径和孔隙率共7个指标参数,针对无粘性土管涌和流土的判别问题,建立了Fisher线性判别函数模型.利用回代估计法对模型进行检验,误判率为0.将所建立的模型用于其它9个案例的预测,结果与实际情况吻合良好.模型检验及实例计算结果表明,本文方法科学合理且可操作性强,能够为无粘性土渗透破坏类型的判别提供一条新的途径.     

基于杂交式基因选择的核Fisher分类算法

为提高核Fisher算法（KFDA）的分类性能，对KFDA算法增加了基因选择步骤．提出了新型的杂交式基因选择算法并用于KFDA分类研究，所提出的方法用于3个基因芯片的数据分类，得到较好的分类效果．     

基于支持向量的判别准则的比较

在经典线性判别分析(LDA)和软间隔支持向量机(C-SVM)的基础上,提出了支持向量判别分析(SVDA)和基于支持向量的极大化间隔判别分析(MSVDA).为了说明SVDA和MSVDA对分类问题的有效性和实用性,利用UCI数据库中的Wine数据和Iris数据进行了对比实验.实验结果表明,总体上,SVDA和MSVDA均比LDA有效.