支持向量機(jī)方法在腦功能信號(hào)分析與識(shí)別中的應(yīng)用研究.pdf

1、本文以腦電信號(hào)為研究對(duì)象，以支持向量機(jī)方法為研究手段，在深入分析和討論支持向量機(jī)原理與核函數(shù)的基礎(chǔ)上，分別建立由四種不同核函數(shù)構(gòu)造支持向量機(jī)分類器，實(shí)現(xiàn)一定行為動(dòng)作下腦功能分析與識(shí)別，以尋求適合腦功能特征提取與分類的核函數(shù)，探討支持向量機(jī)方法在腦功能分析與識(shí)別中應(yīng)用的可行性和有效性。 其中，腦功能信號(hào)特征參數(shù)的獲取采用了四種方法，效果總結(jié)如下： (1) 以實(shí)測(cè)單導(dǎo)聯(lián)原始腦電信號(hào)時(shí)間序列采樣點(diǎn)的值作為特征屬性值，在分類識(shí)別

2、實(shí)驗(yàn)中，以RBF為核函數(shù)的支持向量機(jī)分類器的正識(shí)率較高。 (2) 把單導(dǎo)聯(lián)特征參數(shù)組合成多導(dǎo)聯(lián)特征參數(shù)，進(jìn)行分類識(shí)別實(shí)驗(yàn)，結(jié)果表明，多導(dǎo)聯(lián)腦電信號(hào)更能反映腦活動(dòng)的整體信息，多導(dǎo)聯(lián)特征的識(shí)別效果更好，可信度更高。 (3) 建立灰色模型，進(jìn)行特征提取，把提取后的特征進(jìn)行實(shí)驗(yàn)，仍是以RBF為核函數(shù)的支持向量機(jī)分類器的識(shí)別效果較好。 (4) 把經(jīng)灰色模型提取得到的特征參數(shù)，進(jìn)行組合，提高特征參數(shù)維數(shù)，再進(jìn)行實(shí)驗(yàn)，正