BCI系统的脑电信号分析和类脑避障策略

发布时间：2020-06-07 22:57

【摘要】：随着电子计算科学的迅猛发展和大脑神经科学的延伸积累,脑机接口(brain-computer interface,BCI)作为一类创新有效的脑信息交互通道,构建了人脑思维与外部设备良好的沟通环境,正聚焦越来越多的关注研究。人们通过BCI技术创建了以人脑思维为媒介的全新的人-机信息交互方式。BCI技术目前已在医疗复健、载具控制、战争装备和虚拟娱乐各方面取得一定发展,相关技术研究已然展现出巨大的研究开发价值。本文由此展开了对BCI系统相关技术的研究分析,主要针对脑电信号去噪处理、脑电信号识别分析和脑控机器人避障控制策略等方面进行了研究,具体内容阐述如下:BCI应用的关键前提是对通过相关传感器获取的脑电信号进行噪声去除。常规的噪声去除方法主要利用了集合经验模态分解(EEMD)算法,在EEMD去噪过程中,往往是针对主要包含噪声成分的高频本征分量予以直接剔除,进而实现噪声去除效果,然而,EEMD算法也由此带来了一个问题,即当该算法直接剔除相关成分时候,会将一些表征细节信息的有效信号混杂在噪声信号中一起丢弃。为解决这一问题,本文提出了双树复小波-集合经验模态分解(DTCWT-EEMD)融合算法,即对待处理脑电信号先进行EEMD分解,然后在分解结果中筛选出那些涵盖绝大部分噪声成分的高频本征分量,再采用DTCWT算法对所得分量进行实、虚部小波分解,接着利用噪声系数和信号系数的差别,选取软阈值方法进行噪声削减清除,最后分别进行DTCWT和EEMD算法的逆运算,实现对脑电信号的重构处理。如此一来,DTCWT-EEMD融合算法在实现高效除噪的同时,最大限度地保证了脑电数据的完整性和有效性。脑电数据经过相关的噪声、伪迹去除处理后,对其展开分析识别是本文研究工作的第二部分。目前,有关脑电数据的辨识大多分为特征提取和分类辨识两部分独立进行,虽然取得了一定的分类效果,但在面对一些复杂脑电信号时,仍存在一些诸如处理步骤繁琐、不能提供多维度支持、识别精度不能满足应用需求等问题。为了解决上述问题,本文在深度网络结构的基础上,结合生物免疫机制和多重决策机制进行相关优化,最终构建了更为高效的脑电信号识别处理模型。该网络模型主要是利用降噪自编码机作为深度结构的基础单元层,再将多个基础层逐层全连接排列形成堆叠,进而得到拥有良好辨识表现的深度网络结构;另一方面,为了进一步提升分类表现,模型中又融入了免疫优化算法,对网络结构中一些关键参数进行了寻优,同时,还加入了多专家决策机制,增加了模型对于不同受试者的普适性和鲁棒性。本文最终构建出经过多重优化的脑电识别模型,同时,设计实现了一系列对比实验,证明了本文提出的结合免疫优化算法和决策机制进行改进的堆叠降噪自编码机网络具有明显的性能优势,在准确率和鲁棒性方面均优于当前常用方法,为后续的脑电命令精细化处理奠定了良好的基础。本文研究的第三部分旨在针对脑控机器人运动控制部分,结合视觉神经系统检测逼近物体的脑功能机制,构建类脑智能碰撞检测模型。该模型主要模拟人脑视觉碰撞检测过程,采用脉冲神经网络检测提取逼近物体,采用反向传播神经网络计算碰撞时间,同时构建MAP数据结构模拟大脑记忆调控,最终得到可以根据逼近物体影像输入预测碰撞时间的智能模型,为机器人避障逃逸动作的产生提供依据。本文利用该模型进一步制定了运动控制策略,实现了良好的动态避障效果,进一步增强了脑控机器人的环境适应性和安全性。最后,本文总结了相关研究内容,归纳了课题创新点,并就仍需改进之处提出了新的方向构想。
【图文】：

示意图,流程,示意图,复小波

想就是将信噪混合体进行小波变换，使之分解为众多频率域上鉴于噪声和有效数据在各频段的小波系数上有十分显著的大小适的阈值界定二者属性，将各频段上噪声属性的小波系数进行下的分量执行重构，即可得到噪声去除的干净信号。，，研究表明，在面对样本信号的实际解析过程中，小波变换在频率混叠问题，也就是说在对样本信号进行频率分解时，会在量中混杂了其他频段的分量，这无疑会给后续的分析处理带来树复小波算法正是针对该问题提出的解决方案，双树复小波对原始的小波变换要强很多，可以将混杂在一起的频段信号完全了频率混叠问题的规避，也更好地表现了细节部分的频率信息复小波进行去噪处理是更好的选择[61,62]。复小波变换算法的基本思想是对原始数据的是实数部分和虚 CWT 变换，其分解示意图如图 3.2 所示。

波形图,波形图,信号,伪迹

第三章脑电信号噪声与伪迹去除3.4 实验分析验证为了验证上文所提方案对应效果，本文设计了相关实验进行验证。本文中实验数据均采用国际认可的 BCI 大赛数据[68]。首先，为了使得去噪效果更明显，本文采用模拟脑电数据来验证DTCWT-EEMD 融合去噪算法，设定原始信号为式(3-14)所示，波形图如图 3.5所示： 13 30-rand 12 14(1)s= 2 sin 2 2 (1) cos 2 2 (1)5m nrand mt rand nt rand (3-14)
【学位授予单位】：东华大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R318;TN911.6

【相似文献】