利用人的腦電(EEG)信號來控制外部設備一直是腦機接口領域所致力于研究的熱點,尤其是對于那些喪失運動能力的殘疾人,更有重要意義。本文基于P300腦機接口及單片機的無線射頻技術設計出一套智能家居控制系統,可以對家庭中的電器、燈光、安防等直接控制。實驗結果表明,該系統簡單可靠,易于擴展。
針對腦機接口(BCI)系統中的多通道非平穩腦電(EEG)信號和腦磁(MEG)信號, 本文提出一種基于多通道經驗模式分解(MEMD)與功率特征結合的信號特征提取算法。首先將多通道腦信號經MEMD算法分解為一系列多尺度多元固有模態函數(IMF)近似平穩分量, 然后對每個IMF分量提取功率特征, 并利用主成分分析(PCA)降維處理, 最后使用線性判別分析分類器對信號特征分類。實驗采用第三次和第四次國際BCI競賽的數據進行驗證, 對皮層EEG信號和MEG信號運動想象任務的識別正確率分別達到92.0%和46.2%, 均位于競賽第一名水平。實驗結果表明本文所提方法有較好有效性和穩定性, 為腦信號特征提取提供了新思路。
腦機接口(BCI)可以直接通過腦電(EEG)信號控制外部設備。本文針對傳統主成分分析(PCA)和二維主成分分析(2DPCA)處理多通道EEG信號的局限性, 提出了多線性主成分分析(MPCA)的張量特征提取和分類框架。首先生成張量EEG數據, 然后進行張量降維并提取特征, 最后用Fisher線性判別分析分類器進行分類。實驗中將新方法應用到BCI competitionⅡ數據集4和BCI competitionⅣ數據集3, 分別使用了EEG數據的時空二階張量表示形式和時空頻三階張量表示形式, 通過對可調參數多次調試, 取得了高于其它同類降維方法的最佳結果。二階輸入最高正確率分別達到81.0%和40.1%, 三階輸入分別達到76.0%和43.5%。
腦機接口(BCI)系統通過從腦信號中提取特征對其進行識別。針對自回歸模型特征提取方法和傳統主成分分析降維方法處理多通道信號的局限性, 本文提出了多變量自回歸(MVAR)模型和多線性主成分分析(MPCA)結合的多通道特征提取方法, 并用于腦磁圖/腦電圖(MEG/EEG)信號識別。首先計算MEG/EEG信號的MVAR模型的系數矩陣, 然后采用MPCA對系數矩陣進行降維, 最后使用線性判別分析分類器對腦信號分類。創新在于將傳統單通道特征提取方法擴展到多通道。選用BCI競賽IV數據集3和1數據進行實驗驗證, 兩組實驗結果表明MVAR和MPCA結合的特征提取方法處理多通道信號是可行的。
6類紅斑鱗狀皮膚病的診斷一直是皮膚科的難題。皮膚病數據是名詞性定性數據,采用定量數據處理方法是不太適合的。本文提出了組套索罰多值回歸分類器新方法用于名詞性數據的特征選擇和分類,并應用于紅斑鱗狀皮膚病診斷。首先將前33維名詞性數據進行虛擬編碼,將第34維年齡數據離散化后進行虛擬編碼;將得到的虛擬編碼數據按照類別分組和變量分組,并送入組套索罰多值回歸分類器,通過10折交叉驗證,分類正確率達到了98.88%±0.0023%。 與其他文獻方法相比,本文方法簡單,分類效果好且效率高,可解釋性強,穩定性強。
紅斑鱗狀皮膚病是6種常見皮膚科疾病的統稱,其診斷一直是皮膚科的難題。本文提出了基于名詞性變量虛擬編碼的彈性網罰多值logistic回歸方法。該方法從皮膚病數據的變量屬性出發,首先將名詞性變量進行虛擬編碼,避免了標稱值直接計算帶來的不合理性;繼而通過帶彈性網罰的多值logistic回歸模型擬合特征與疾病分類間的關系;最后通過坐標下降法求得模型的參數估計。實驗中采用10折交叉驗證方法并達到了98.34%±0.0027%的診斷正確率,與其他方法相比,本文方法正確率相當,且步驟簡單,穩定性很強。
針對肝病分類中存在的特征交互的問題, 我們研究了一種分層交互lasso分類方法。首先對logistic模型添加lasso罰函數和分層凸約束, 其次采用卡羅需-庫恩-塔克條件與廣義梯度下降法相結合的凸優化方法給出模型求解方法, 最后得到主效應特征系數與交互特征系數的稀疏解, 實現模型分類。本文在兩個肝病數據集上進行實驗, 證明了特征交互對肝病分類有貢獻。實驗結果證明了分層交互lasso方法可解釋性強, 效果、效率均優于lasso方法、全特征對lasso方法以及支持向量機、最近鄰和決策樹等傳統分類方法。
腦機接口(BCI)腦電圖(EEG)分類能實現人腦直接與外部環境的信息交互。提出了基于輔助訓練思想的半監督稀疏表示分類器方法在BCI EEG分類中的應用。首先采用稀疏表示分類器從未標記樣本中選擇部分相關度較高的樣本。其次采用Fisher線性分類器作為判別分類器得到已選樣本的邊界信息。通過距離大小和方向判別條件進一步選出高置信度樣本。本文對三組基準數據集BCIⅠ、BCIⅡ_Ⅳ和USPS分別進行仿真實驗,分類正確率分別為97%、82%和84.7%,運算速度最快的僅需約0.2s。在分類正確率和運算效率兩個方面,均優于自訓練半監督SVM、有導師SVM兩種方法。
肝臟疾病特征及交互特征對于肝臟疾病的分類具有重要意義，本文在交互最小絕對收縮和選擇算子（LASSO）模型的基礎上，研究了廣義交互 LASSO 模型并與其他可用于肝臟疾病分類的方法比較。首先，本文建立了廣義交互邏輯斯特（logistic）分類模型，在模型參數中添加 LASSO 罰函數，然后將模型參數通過交替方向乘子法（ADMM）求解，得到模型系數的稀疏解。最后將測試樣本代入模型，按照最大概率進行分類結果統計。通過將本文方法應用在肝臟失調數據集和印度肝病數據集的數據實驗結果表明，交互特征的模型系數不為零，這說明交互特征對分類存在貢獻。最終結果表明，本文提出的廣義交互 LASSO 方法的正確率要優于交互 LASSO 方法，也優于傳統模式識別方法，可將廣義交互 LASSO 方法推廣應用到其他疾病的分類問題上。