脑—机接口系统中脑电信号采集与特征识别

发布时间：2020-11-05 18:02

　　 脑-机接口(BCI)技术是不依赖于常规脑外周神经和肌肉系统,在大脑和计算机或外部设备之间建立起来的一种通信系统。它利用计算机或其它电子设备对特定环境或任务下的脑电信号进行采集和分析,以向外界传达大脑信息或控制命令,并实现对外部设备的操纵。BCI技术在航空航天、机器人、多媒体、康复医学工程、人工智能、脑认知、生物反馈训练等领域有着广阔的发展应用前景。目前BCI技术已引起国际上众多学科科技工作者的关注,成为神经工程、通信、计算机技术等多领域交叉的一个新的研究热点,具有科学与应用双重价值。 由于BI研究起步较晚,技术比较复杂,涉及内容和相关领域较多。因此,无论是BCI技术本身,还是对它的应用研究,目前都处于探索阶段,还有许多关键技术有待解决。如：BCI源信号的采集、信号处理和信息转换的速度、实验范式的选择、识别精度的提高、受试者的训练等。 针对目前BCI技术应用中存在的问题,本文研究了基于视觉诱发P300的脑-机接口系统中脑电信号采集、处理和特征识别。具体完成工作如下： (1)脑电采集系统硬件实现。设计了高性能的生物电放大器,增加了皮肤接触阻抗同步测试电路以及模拟陷波器和滤波器,采用Labview虚拟仪器平台对放大器性能参数进行了测试,并设计了系统的数字化部分即模数转换和USB传输。 (2)脑电采集与测量系统软件设计。为了具有通用性和可扩展性,软件设计架构成不依赖具体放大器的通用脑-机接口系统,可对视觉诱发脑电、体感诱发脑电、运动想象诱发脑电、自发脑电等实验数据进行采集、存储和脑电波形显示。 (3)诱发脑电信号处理。采用独立成分分析(ICA)结合主成分分析(PCA)方法进行诱发脑电的实时信噪分离,有效地抑制了50HZ工频干扰和测量中的伪迹。 (4)脑电特征实时提取。设计了视觉诱发刺激实验范式,完成了视觉诱发脑电测量实验,提出了一种新的视觉诱发P300特征快速提取方法,采用AR参数模型与少次相干平均的方法实时提取P300特征,为实现在线脑-机接口系统奠定了基础。 (5)脑电特征分类方法研究。利用标准脑-机接口实验数据,分别基于Fisher线性判别方法和神经网络非线性判别方法对P300特征进行分类。实验结果表明：对于视觉诱发P300特征的识别精度可以满足脑-机接口系统的要求。 本文所设计的脑电信号采集系统和特征识别算法可应用于各类脑-机接口系统中,并为实现在线脑-机接口打下坚实基础。
【学位单位】：山西大学
【学位级别】：硕士
【学位年份】：2010
【中图分类】：TP334.7
【文章目录】：
中文摘要
ABSTRACT
第一章 绪论
    1.1 研究目的和意义
    1.2 研究现状和存在问题
    1.3 论文主要研究内容和结构
第二章 脑电信号采集系统硬件设计
    2.1 设计思路与方法
        2.1.1 脑电产生机理
        2.1.2 自发脑电与诱发脑电
        2.1.3 采集系统整体设计方案
    2.2 前置模拟放大器设计
        2.2.1 整体电路结构
        2.2.2 生物电前置放大器设计
    2.3 交流恒流源电路
    2.4 滤波和陷波电路设计
    2.5 基于Labview的电路参数自动测试
        2.5.1 虚拟仪器测试平台设计
        2.5.2 模拟实验测试
        2.5.3 实际应用测试
        2.5.4 结论
    2.6 A/D转换
    2.7 单片机控制系统
    2.8 USB接口电路
    2.9 本章小结
第三章 脑电信号采集系统软件设计
    3.1 单片机程序设计
        3.1.1 整体框架
        3.1.2 USB程序设计
    3.2 计算机采集分析软件
        3.2.1 利用虚基类（抽象类）,进行放大器通用接口设计
        3.2.2 应用多媒体定时器,进行实时数据读取
        3.2.3 应用多线程技术,进行实时信号处理
        3.2.4 利用Matlab动态链接库进行数据格式转换
        3.2.5 视觉诱发刺激实验设计
    3.3 本章小结
第四章 脑电信号特征实时提取
    4.1 P300特征及其实验范式
    4.2 算法基本理论
        4.2.1 ICA结合PCA方法进行实时信噪分离
    4.3 参数模型估计
    4.4 P300特征提取
    4.5 结果及分析
    4.6 本章小结
第五章 基于Fisher判别和神经网络的脑电特征分类
    5.1 实验范式及实验数据描述
    5.2 预处理
    5.3 特征选择
    5.4 基于Fisher线性判别的脑电特征分类
        5.4.1 线性判别基本理论
        5.4.2 处理流程及结果分析
    5.5 基于神经网络的非线性特征分类
        5.5.1 神经网络
        5.5.2 径向基神经网络
        5.5.3 径向基函数学习过程
        5.5.4 算法与实现
        5.5.5 结果与分析
    5.6 本章小结
第六章 总结与展望
参考文献
攻读学位期间取得的研究成果
致谢
个人简况及联系方式

【引证文献】

相关硕士学位论文 前2条

1 王宇丁;实时脑—机接口设计与研究[D];重庆大学;2012年

2 程万里;视觉诱发脑—机接口中脑电信号处理算法研究[D];山西大学;2013年

本文编号：2871995