基于空間分解與決策融合的神經信號識別.pdf

1、神經解剖學和腦科學的研究表明，模塊化是人腦高效地進行智能推理的關鍵。由于模式識別在本質上是對人腦信息處理的一種模擬，因此上述模塊化認知過程對于探討新的模式識別算法，具有重要的啟發(fā)意義。 本文首先回顧了單識別系統(tǒng)的缺陷以及人腦的模塊化特點，介紹了在識別系統(tǒng)設計中新出現的幾種具有“模塊化結構”特點的識別方法，以及進行仿真評估時的應用對象—神經信號。接著介紹了神經信號的檢測過程，并對神經信號在不同動作模式下的行為特征，結合定量分析與定

2、性比較，從時域、頻域以及時頻域的角度進行了研究。在此基礎上，首先按照傳統(tǒng)的單識別系統(tǒng)設計方式，構造了特征向量和分類器，給出了精度評估，作為對識別系統(tǒng)進行模塊化設計的對比。隨后，從空間分解的角度，詳細闡述了如何對識別系統(tǒng)進行模塊化設計，并介紹了子模塊的選擇方法、差異性評估標準，以及對子模塊輸出進行決策時的融合方法。最后，給出了幾種對識別系統(tǒng)進行模塊化設計的算法，并以神經信號的運動識別為例，進行了仿真評估，還將結果與單識別系統(tǒng)進行了比較。

3、 本論文的創(chuàng)新成果主要包括：(1)借助試驗手段，通過對志愿者上肢的神經信息的檢測，結合定性分析與定量比較，探討了上臂三大主神經束(正中神經、橈神經和尺神經)的相互協調關系以及信息發(fā)放模式，獲得了有重要價值的第一手資料和創(chuàng)新性發(fā)現，為研究神經信號支配運動的機理以及神經信息控制假肢的研究創(chuàng)造了條件。 (2)通過嚴格的統(tǒng)計計算和合理的識別系統(tǒng)設計，對神經信號的分類識別進行了有益的嘗試，指出利用神經埋藏電極引導出神經信息，經模式分

4、類后建立起神經信息與肢體運動的映射關系，從而控制假肢運動，是完全可行的。 (3)對神經網絡隱層作用的機理進行了探討，提出神經網絡的映射關系實質上是一種廣義級數展開，并對神經網絡中傳遞函數的作用重新進行了審視。在此基礎上，提出了兩次賭輪選擇算法，按照基因片段的功能劃分來對交叉部位進行再次選擇，以避免功能相似的基因片段出現在同一個染色體中，防止神經網絡遺傳優(yōu)化中“近親繁殖”的產生。仿真分析證實了該算法的有效性。 (4)從仿生

5、學原理出發(fā)，根據人腦結構和功能上的模塊化特點，并結合對任務分解、神經網絡集成、樣本抽樣技術、多專家系統(tǒng)等多個領域的研究，提出了對模式識別系統(tǒng)進行“空間化分解、模塊化設計、集成化決策”的設計思想，并分別從輸入空間分解、變換空間分解、特征空間分解、決策空間分解以及輸出空間分解的角度，逐一闡述了如何在模塊化設計中獲取有差異性的個體，并通過適當的集成個體選擇和決策融合方法來獲得最終的識別結果。 (5)按照模塊化的設計理念，以神經信號為對

6、象，設計了幾種模塊化的識別系統(tǒng)，并將其性能與單識別系統(tǒng)進行了比較。其中，獨立信息源法和輸出的逐級分解主要是針對神經信號的特點而設計的；變換子空間法相對通用些，與上述兩種策略都屬于設計方法的創(chuàng)新；基于置信度考慮的AdaBoost.MC算法以及集成特征選擇算法FEFS則是對已有算法的改進，其中AdaBoost.MC算法的主要目的是為了增強低識別率情況下的穩(wěn)健性，而FEFS算法則主要是為了提高集成特征選擇過程的執(zhí)行速度；至于增強學習以及投票決