文献类型：会议

作　　者：张慧玲 王菲 丁泽超 王忠艳 田银

作者单位：重庆邮电大学生物信息学院生物医学工程系,400065

会议文献：2015年中国生物医学工程联合学术年会论文集

会议名称：2015年中国生物医学工程联合学术年会

会议日期：20151016

会议地点：南京

主办单位：中国电子学会,中国仪器仪表学会,中国光学学会,中国图象图形学会,中国生物医学工程学会

出版日期：20151016

语　　种：中文

摘　　要：目前用于模式分类方法很多,但由于各种算法对应的数学性质自身存在不足,对数据依赖性较强,难以推广。常见的线性判别式分类器(linear discriminant analysis,LDA)属于稳态分类器,一般对训练集的数据特点有较严格的要求,致使其应用受到一定的限制,并且也易引发维数灾难；支持向量机(support vector machine,SVM)虽能较好地避免维数灾难,解决非线性高维分类问题,但SVM 借助二次规划求解支持向量,当样本数很大时就会耗费大量计算机内存和运算时间,且支持向量机主要针对的是二分类问题,当遇到多分类时考虑两两分类的方法增加了分类复杂度。针对两种传统分类器的不足,本文提出了基于稀疏SVM的脑电识别方法,本方法是在传统SVM 基础上采用L1 范数稀疏度量对数据进行分类。利用L1 范数的残差量度实现了SVM 分类方法对由图片和文字所激发的实际情绪脑电数据进行识别和分类。本文构造的基于L1 范数稀疏度量的SVM 相比传统的LDA 和SVM 分类器而言具有其特定的优势,可以减小眼电干扰并恢复正常的脑电信号,在抑制噪声的情况下充分保留了正负两种情绪信号的特征,实现了对正性和负性情绪数据的分类。该算法可以推广到脑机接口的应用领域中。

关 键 词：情绪脑电  分类器 支持向量机(SVM)  稀疏SVM  LDA

分 类 号：TP3[计算机类] S63]