基于想象运动思维的脑电信号分析研究

发布时间：2017-04-30 17:14

  本文关键词：基于想象运动思维的脑电信号分析研究，由笔耕文化传播整理发布。

【摘要】：脑-机接口技术(Brain-Computer Interface,BCI)是现如今研究的一个热点,有别于人类大脑正常控制由周围神经网络和肌肉组织组成的传统输出途径,它是把脑电活动转化成电脑、机器人等设备能够识别的控制信号来控制机器来完成人与外部环境进行信息交流的新型控制系统,为大脑正常而无行为活动能力的人们提供了一种新的与外部进行交流的通道,在生物医学工程和医疗康复邻域中得到广泛的关注和重视。在脑-机接口研究方法中,对脑电信号的分析是研究的核心部分,而基于运动想象脑电信号的脑-机接口技术存在操作简单,无危险的优点,倍受研究员的青睐,具有深远的研究意义和实际应用价值。本文就是基于想象运动思维的脑电信号分析研究,主要是对脑电信号的预处理、特征提取和模式分类三个方面展开研究,期望达到能够准确、实时识别脑电信号的目的。首先设计试验方案,采集脑电信号。针对所研究的课题内容,设计相应的大脑意识任务实验,按照实验要求,本文利用上海诺诚医疗器械NCERP系列脑电图与诱发电位仪的16导脑电采集系统采集3名被试者的脑电数据,选择信号明显的脑电数据来展开研究工作,然后结合脑电信号的特点,采用有限脉冲响应滤波器进行0.5-30Hz的带通滤波和总能量均值变换法来进行通道选择,去除其中的部分高频的肌电和工频干扰等,提取了有效信息,结合大脑的解剖与功能可知,选择的通道是有效合理的,并且在减轻后期研究的工作量和难度取得了较好的效果,接着针对于脑电信号的特征提取问题,结合脑电信号的混沌特性和节律能量性,采用混沌分析法计算最大Lyapunov指数和关联维数,用离散小波变换计算小波子带能量和以及用小波包变换计算小波包节律能量均值与小波包能量熵这三种方法对所研究的想象意识任务进行特征提取,并且提出了混沌分析法分别与离散小波变换和离散小波包变换相结合的两种组合特征提取方法来完成脑电特征的提取,为下一步的识别测试做准备。最后针对于脑电信号的模式分类问题,采用BP神经网络、二叉树支持向量机和极限学习机三种分类方法完成对不同特征提取方法所得到的特征向量进行识别探讨。最终由仿真识别结果可知,有混沌分析与小波包变换相结合的特征提取方法协同极限学习机的分类方法在本课题的问题解决上有最优效果,适合于多类信号的分析问题。
【关键词】：脑-机接口 想象运动脑电信号 混沌分析 小波包变换 极限学习机
【学位授予单位】：河南科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：R496;TN911.7
【目录】：

• 摘要3-5
• ABSTRACT5-9
• 第1章 绪论9-19
• 1.1 课题研究本背景及意义9-11
• 1.1.1 课题研究背景9
• 1.1.2 脑-机接.介绍9-10
• 1.1.3 课题研究意义10-11
• 1.2 研究现状11-12
• 1.3 脑电信号的分析方法12-16
• 1.3.1 常用的特征提取方法13-15
• 1.3.2 常用的模式分类方法15-16
• 1.4 想象运动思维16-17
• 1.5 本文的研究内容及结构17-19
• 1.5.1 本文研究内容17
• 1.5.2 本文章节安排17-19
• 第2章 脑电信号的采集和预处理19-32
• 2.1 脑电信号的概述19-22
• 2.1.1 大脑的解剖与功能19-20
• 2.1.2 脑电信号的产生20-21
• 2.1.3 脑电信号的分类21-22
• 2.1.4 脑电信号的特点22
• 2.2 实验设计22-26
• 2.2.1 实验设备介绍22-24
• 2.2.2 电极放置24-25
• 2.2.3 实验环境和被试者选取25
• 2.2.4 实验方案设计25-26
• 2.3 脑电信号的预处理26-31
• 2.4 本章小结31-32
• 第3章 脑电信号的特征提取方法研究32-50
• 3.1 基于混沌分析方法的特征提取32-39
• 3.1.1 最大Lyapunov指数32-37
• 3.1.2 关联维数37-39
• 3.2 基于离散小波变换方法的特征提取39-43
• 3.2.1 小波变换原理40-41
• 3.2.2 基于离散小波变换的信号子带能量和特征提取41-43
• 3.3 基于离散小波包变换方法的特征提取43-48
• 3.3.1 小波包变换原理44
• 3.3.2 基于离散小波包变换的信号特征提取44-48
• 3.4 组合特征提取方法48-49
• 3.5 本章小结49-50
• 第4章 脑电信号的模式分类方法研究50-68
• 4.1 BP神经网络模式分类算法50-55
• 4.1.1 BP算法介绍51-53
• 4.1.2 BP算法分类器的设计53-55
• 4.2 支撑向量机55-59
• 4.2.1 SVM算法介绍55-58
• 4.2.2 SVM分类器的设计58-59
• 4.3 极限学习机59-63
• 4.3.1 SLFN网络介绍60-61
• 4.3.2 ELM的学习算法61-63
• 4.4 识别结果与分析63-67
• 4.5 本章小结67-68
• 第5章 总结与展望68-71
• 5.1 总结68-69
• 5.2 展望69-71
• 参考文献71-75
• 附录A 10/20电极系统电极名称匹配一览表75
• 附录B 16导 10/20国际导联放置位置表75-76
• 辞谢76-77
• 攻读学位期间的研究成果77

【参考文献】

中国期刊全文数据库 前6条

1 范影乐;李谷;刘亚景;杨勇;;基于排列组合熵的脑电意识任务识别方法的研究[J];传感技术学报;2008年01期

2 徐宝国;何乐生;宋爱国;;基于脑电信号的人机交互实验平台的设计和应用[J];电子测量与仪器学报;2008年01期

3 陈冬冰;吴平东;毕路拯;韩巍;;G-P算法在脑学习机能研究中的应用[J];计算机应用与软件;2007年11期

4 贺太纲,卢广文,李建萍;脑电中的混沌[J];生物医学工程学杂志;2000年02期

5 罗志增;李亚飞;孟明;孙曜;;脑电信号的混沌分析和小波包变换特征提取算法[J];仪器仪表学报;2011年01期

6 施锦河;沈继忠;王攀;;四类运动想象脑电信号特征提取与分类算法[J];浙江大学学报(工学版);2012年02期

中国硕士学位论文全文数据库 前1条

1 刘友友;基于多类运动感知脑电的异步脑—机接口的研究[D];山东大学;2010年

  本文关键词：基于想象运动思维的脑电信号分析研究，由笔耕文化传播整理发布。

，

本文编号：337275