基于概率协作表示的运动想象脑电信号识别分类研究

发布时间：2020-05-18 18:47

【摘要】：探索大脑的工作机制一直以来都是神经科学领域学者的重要挑战,人脑经由外围的神经和肌肉通道,完成与外部环境的通信与信息交换。现实生活中,有很多患有运动障碍疾病的人们,失去了最基本的与外界交流的能力。脑机接口(Brain Computer Interface,BCI)不依托于脑的正常输出通路,在大脑与外部世界之间,构建了可以直接进行信息传送的通道。BCI系统经过对采集到的脑电信号进行处理,进而将各异的思维状态转化成不同的控制命令,完成对外部设备的控制。BCI作为一种新兴的人机交互模式,为那些有严重运动障碍的患者提供了一个新的交流与控制的通道。当前,脑机接口的研究在神经科学、计算机通信与控制、生物医学工程等多个范畴已成为前沿热点。经由运动想象任务,激发大脑运动皮层脑电节律变动获取的脑电信号,作为基于运动想象的BCI系统研究的理论依据。其中,信号处理部分包含的预处理、特征提取和分类识别等作为关键环节,对BCI系统的分类性能有很大影响。本文立足于基于运动想象的BCI系统的研究,围绕脑电信号的特征提取和分类识别方法等内容开展了研究,并提出了一种运用S变换(S-transform,ST)和基于概率协作表示的分类算法相结合的脑电识别方法,并利用国际标准BCI竞赛数据库以及自采集的脑电数据来验证本文所提出算法的可行性。本论文的主要研究内容和创新点如下:第一,本论文扼要介绍了BCI系统的研究背景和意义,概述了BCI系统的定义和组成,并详细论述了BCI技术国内外的研究近况,总结了BCI技术所面对的问题与挑战。本文还简要介绍了脑电信号以及侵入式系统和非侵入式系统,并主要阐述了基于运动想象的理论基础。第二,本论文围绕特征提取的算法开展了研究,特征提取的优劣将会直接关系到分类的效果。S变换作为短时傅里叶变换以及小波变换的延伸,具有窗口函数随频率变化的多分辨率分析的能力,适用于对非平稳的脑电信号的分析。本文采用S变换对信号进行特征提取,并选取S变换之后的功率谱密度作为特征,能够准确定位感觉运动节律的频谱变化。第三,本论文研究了分类识别算法,给出了基于概率协作表示的分类器(Probabilistic Collaborative Representation based Classifier,ProCRC)以及鲁棒性的ProCRC(robustProCRC,R-ProCRC),用于完成两类想象运动信号的识别。该算法的主要思想是共同最大化测试样本属于每个类别的可能性,最后通过检查哪个类具有最大可能性来进行分类,具有明确的概率解释。第四,本论文详细介绍了运动想象的实验设计过程,并将采集的大脑头皮表面脑电图(Electroencephalogram,EEG)信号和数据库的皮层脑电图(Electrocorticography,ECoG)信号作为实验数据。实验结果表明,相较于传统贝叶斯线性判别分析和梯度Boosting分类算法而言,将S变换提取的特征与基于概率协作表示的分类算法相结合,能够得到更好的分类结果和较好的时效性,为今后脑电信号识别的相关应用研究提供了较好的参考价值。本论文首次将基于概率协作表示的分类算法,应用于脑电信号的分类识别,并取得了较好的实验结果。
【图文】：

通讯系统,构成部分,脑电活动,山东师范大学

山东师范大学硕士学位论文口系统概述和构成，第一届国际 BCI 大会召开并且明确解读了脑机接口的含义正常的由外围神经和肌肉组成输出通路的通讯系统[7]。换言设备之间构建了一个直接进行信息传输的通道，视为一种新术的特质体现在，能够提取脑电活动特征，并翻译为指令，的，譬如计算机、电话以及其他辅助设备。

电话号码,清华大学,文献,按钮

1-2 清华大学输入电话号码 BCI 系统（摘自文献[18高上凯教授所在的实验课题组，研发出了一个统，该 BCI 系统的设计是采用 SSVEP 完成的按钮，这些按钮依据不同的频率进行闪烁，这注视按钮，，引发相应的由频率编码的 SSVEP，果表明，全部的被试者其平均信息传送速度到达在基于 SSVEP 的 BCI 领域进行着长期且深入现了较高的突破[20]，如图 1-3 所示是基于 SS
【学位授予单位】：山东师范大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R318;TN911.7

【参考文献】