20、脑电波与手写字符识别技术研究

脑电波与手写字符识别技术研究

1. 脑电波模式识别

在脑电波模式识别中，主要使用了多层感知器（MLP）和支持向量机（SVM）两种分类器对脑电图（EEG）数据进行任务分类，包括符号图像任务和文本图像任务。

1.1 MLP分类器

MLP分类器由神经网络结构定义，输入节点数量由独立特征数量决定。这里有4个特征：低阿尔法、高阿尔法、低贝塔和高贝塔，再加上其他控制变量（开始时间、结束时间、事件ID和事件持续时间），所以输入节点数为8。输出节点数对应2个类别答案：真（是）和假（否）。隐藏层节点数量根据Baum - Haussle规则确定，最多约80个节点。
在训练过程中，会改变学习率（从0.1 - 0.5）、动量（从0.5 - 0.9）和隐藏层节点数，以达到最高的准确率。训练时间为5000个周期，模型性能评估采用10折交叉验证。以下是MLP分类器在不同任务和参数下的识别准确率：
| ERPs任务 | 隐藏层 | 学习率/动量（0.1/0.5） | 学习率/动量（0.2/0.6） | 学习率/动量（0.3/0.7） | 学习率/动量（0.4/0.8） | 学习率/动量（0.5/0.9） |
| — | — | — | — | — | — | — |
| 符号图像任务 | 20 | 74% | 80% | 68% | 66% | 56% |
| | 40 | 72% | 77% | 74% | 65% | 58% |
| | 60 | 76% | 74% | 70% | 63% | 56% |
| | 80 | 69% | 72% | 72% | 61% | 53% |
| 文本图像任务 | 20 | 78% |