论文部分内容阅读
以核函数为核心的支持向量机(Support vector machine，SVM)方法是建立在统计学习理论的VC维理论和结构风险最小化(Structural Risk Minimization，SRM)原则的基础上，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)，和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷以期获得最好的推广能力。支持向量机由Vaphik和他领导的实验室小组自20世纪90年代中期提出以来，其算法及应用得到迅速的发展。 本文以脑电信号为研究对象，以支持向量机方法为研究手段，在深入分析和讨论支持向量机原理与核函数的基础上，分别建立由四种不同核函数构造支持向量机分类器，实现一定行为动作下脑功能分析与识别，以寻求适合脑功能特征提取与分类的核函数，探讨支持向量机方法在脑功能分析与识别中应用的可行性和有效性。 其中，脑功能信号特征参数的获取采用了四种方法，效果总结如下： (1) 以实测单导联原始脑电信号时间序列采样点的值作为特征属性值，在分类识别实验中，以RBF为核函数的支持向量机分类器的正识率较高。 (2) 把单导联特征参数组合成多导联特征参数，进行分类识别实验，结果表明，多导联脑电信号更能反映脑活动的整体信息，多导联特征的识别效果更好，可信度更高。 (3) 建立灰色模型，进行特征提取，把提取后的特征进行实验，仍是以RBF为核函数的支持向量机分类器的识别效果较好。 (4) 把经灰色模型提取得到的特征参数，进行组合，提高特征参数维数，再进行实验，正识率有所提高。 文中在MATLAB环境下实现了对脑电信号的分析和处理进行了仿真。研究结果表明，以RBF为核函数的SVM分类器，用于实测单导联原始脑电信号特征的识别，平均正识率达90％以上，用于多导联脑电信号特征的识别，正识率则更高，用于多维灰色特征效果也很好。本文提出的方法是可行有效的，以核函数为基础的支持向量机以出色的脑电信号特征学习能力为其在生物神经信号处理中提出了一种新的应用途径。