运动想象脑机接口中模式识别方法研究

发布时间：2020-06-26 09:45

【摘要】：脑机接口(BCI)技术对于运动功能障碍患者的康复治疗有重要的价值,但在目前应用中仍面临识别精度、识别动作类别以及实时性等挑战。本文对运动想象BCI中的模式识别方法进行研究,包括运动想象脑电(EEG)信号的眼电伪迹(OA)去除、特征提取和模式分类方法,主要工作如下:(1)针对EEG信号采集过程中常受OA干扰的问题,提出一种基于离散小波变换(DWT)和独立成分分析(ICA)结合的OA去除方法。首先利用DWT对EEG信号进行分解,基于分解的小波系数重构EEG信号的δ、θ、α、β和γ波段,并通过峭度值和Renyi熵指标筛选出含有伪迹的波段,接着采用ICA方法对这些波段的伪迹进行移除,最后重构OA去除后的EEG信号。国际BCI竞赛数据分析结果表明该方法能够有效去除EEG信号中的OA成分。(2)考虑到EEG信号具有非线性、非平稳性的特点,提出一种基于D-S证据理论的多域融合左右手运动想象脑电分类方法。首先分别提取EEG信号的时域特征、AR模型特征和DWT特征,基于获取的三种特征集分别构建概率输出支持向量机(SVM)分类模型,其次利用D-S证据理论对各SVM的输出进行融合,最后根据决策规则确定样本的类别。通过3个BCI竞赛数据库对所提方法进行验证,结果表明该方法能有效提高左右手运动想象EEG信号的分类准确率,并具有较强的个体适应性。(3)针对多类EEG信号特征提取困难、识别率低的问题,提出一种基于卷积神经网络(CNN)和SVM结合的多类脑电分类方法,该方法结合了CNN自提取特征和SVM小样本学习的优点。首先设计用于提取EEG信号特征的CNN结构,其次采用主成分分析对提取的特征进行降维处理,最后通过SVM进行动作模式识别。BCI竞赛提供的4类运动想象脑电数据分析结果表明该方法在多类EEG信号分类中能获得更高的识别率,为深度学习方法在BCI中的应用提供了思路。(4)针对同侧手部动作难以识别的问题,基于混合BCI思想提出一种EEG和肌电(EMG)信号融合的同侧手部动作识别方法。首先同步采集3名受试者4类动作模式下的EEG和EMG信号并对其进行预处理,其次分别提取EEG的时域特征、AR模型特征和DWT特征以及EMG的积分肌电值特征和样本熵特征,接着利用主成分分析和稀疏自编码将两者特征进行融合,最后将融合特征输入SVM进行动作识别。实验结果表明脑肌电融合策略能够有效识别同侧手部动作。
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R318;TN911.7
【图文】：

大脑皮层,信号,自发性,采集方法

号根据电位产生机理可以分为自发性和诱发性两类，顾名思义，自发性发性活动引起电位变化而产生的，如皮层慢电位、运动想象 EEG 信号号是在外界刺激下引起的电位活动产生的，例如视觉诱发电位、P300 发性 EEG 信号可根据频率范围分为、θ、、β 和 γ 五个波段[11]，表围和特点进行了总结。表 1.1 自发性 EEG 信号各波段特点G 波段频率范围/Hz 幅值范围/μV 特点波 0.5~4 20~200 睡眠、缺氧、大脑器质性病变出θ 波 4~8 20~150 疲倦、缺氧时出现波 8~13 20~100 清醒、放松、闭目时出现β 波 14~30 5~20 思考、高度紧张时出现γ 波 >30 10~100 大脑皮层高度兴奋时出现号的采集方法分为非植入式和植入式采集，非植入式采集即将电极置于称为头皮脑电；植入式采集较为复杂，通过手术措施将电极置于脑皮深浅，获得的信号分为大脑皮层硬脑膜脑电信号（Electrocorticogram,脑电信号（包括局部神经元信号 LFP 和单个神经元信号 Spike）[2]，如图法相比，非植入式方法具有无损伤、操作简单的优点，同时也带来分及信噪比低等缺点。目前，非植入式采集方法是实验室研究中普遍采

上肢,大学

图 1.4 Graz 大学上肢康复系统[19]图 1.5 布朗大学植入式 BCI 系统[20]2012 年，加拿大研究人员设计了一种便携式 BCI 手臂康复系统，见图 1.7，系统想象 EEG 和 EMG 信号，进一步提高了系统的识别率，为中风患者家庭式治疗带； 2016 年，“再次行走计划”在 Nature 子刊上报告了最新研究成果[23]，8 名脊髓 BCI 仿生外骨骼及 VR 技术的帮助下恢复了部分下肢肌肉感知功能。图 1.6 基于 BCI 技术的汽车紧急制动系统[21]图 1.7 便携式 BCI 手臂康复系统[22国内运动想象 BCI 技术的研究虽起步较晚，但在康复医疗领域也取得了较好的发展清华大学的马峗等开发了一套基于 BCI 技术的虚拟现实康复平台[24]，通过实验者

【参考文献】