基于支持向量机的脑-机接口模式分类和模型参数研究

摘要

脑-机接口(BCI)是连接大脑和计算机及外部设备的通讯系统,通过连续小波变换(CWT)对采集的脑电信号进行分解,构造由多个尺度对应的方差构成的多维向量,应用支持向量机(SVM)进行分类识别,取得了良好的效果.基于统计学习理论的结构化风险最小化原则,研究了高斯核支持向量机误差惩罚参数C和高斯核参数σ对支持向量机性能的影响,使用仿真实验验证了传统的经验风险最小化原则不能保证良好的推广能力,提出了综合调整参数σ和参数C的方法以优化支持向量机的性能.