基于非平稳时间序列分析方法的脑电信号模式识别

发布时间：2017-06-08 15:04

  本文关键词：基于非平稳时间序列分析方法的脑电信号模式识别，由笔耕文化传播整理发布。

【摘要】：脑电信号中蕴含着非常丰富的大脑活动信息,通过对脑电信号的有效处理和分析,可以大致判断出不同的脑机能状态。通过应用计算机技术、非平稳时间序列分析法和信号处理方法,可提取脑电信号中的特征参数并对其进行模式识别研究。本文主要研究不同动作运动想象的脑电信号的识别分类问题。在对脑电信号进行预处理后,选取不同模式相同时间段差异性最大的序列段作为本文脑电信号分析识别的时间序列段,同时建立各时间点与序列段平均值的线性回归方程,并通过多元回归分析法分离其趋势分量与波动分量。利用多变量的时变参数向量自回归(Time Varying Vector Auto-regressive-TVVAR)模型对波动分量序列进行分析,进一步提取其特征参数。并分别探讨了以误差矩阵的范数与最小奇异值、马氏距离及其2?值作为识别指标对脑电信号进行分类识别的效果与可信度,经分析后选用马氏距离及其2?值作为本文脑电信号的识别指标。经研究分析发现,在本实验条件下时间序列段长度为12时,脑电信号的识别率较高,其马氏距离及其2?值的平均识别率分别为96.11%、95%。本文通过模拟试验证明了TVVAR模型是可以用来识别不同动作运动想象的脑电信号,为脑电信号识别提供了一种新的思路,希望有助于利用相应的假肢技术,有效地帮助残障人士用脑电波控制假肢实现动作。
【关键词】：脑电信号 TVVAR模型 非平稳时间序列 马氏距离
【学位授予单位】：苏州大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：R338;TN911.7
【目录】：

• 中文摘要4-5
• Abstract5-9
• 第一章 引言9-18
• 1.1 研究背景9-12
• 1.1.1 脑电信号9-10
• 1.1.2 脑机接口概述10-12
• 1.2 脑电检测分析的历史与现状12-14
• 1.2.1 脑电信号的发现与检测12
• 1.2.2 脑电信号识别研究的现状12-14
• 1.3 茧丝纤度序列研究与非平稳时间序列分析方法14-16
• 1.4 本课题的研究内容与意义16-18
• 第二章 时间序列及其分析模型和方法介绍18-29
• 2.1 时间序列分析介绍18-19
• 2.1.1 时间序列的分类18-19
• 2.1.2 时间序列分析模型的应用19
• 2.2 自协方差非平稳时间序列模型及其分析模型19-23
• 2.2.1 自协方差非平稳时间序列19-20
• 2.2.2 时变向量自回归模型20-23
• 2.2.3 模型定阶的方法23
• 2.3 判别分析的指标23-27
• 2.3.1 马氏距离23-24
• 2.3.2 范数24-25
• 2.3.3 最小奇异值25-26
• 2.3.4 x~2值26-27
• 2.4 编程系统27-28
• 2.5 本章小结28-29
• 第三章 实验设计与数据采集29-36
• 3.1 实验方法和方案设计29-30
• 3.2 实验设备和条件30-33
• 3.2.1 实验设备简介30-31
• 3.2.2 电极放置标准31-33
• 3.3 数据收集33-35
• 3.3.1 数据采集注意事项33-34
• 3.3.2 实验数据采集34-35
• 3.4 本章小结35-36
• 第四章 脑电信号处理与分析36-55
• 4.1 脑电信号的预处理36-42
• 4.1.1 主成分分析法36-38
• 4.1.2 傅里叶变换法38-39
• 4.1.3 脑电信号的预处理步骤39-41
• 4.1.4 预处理结果的讨论41-42
• 4.2 选取分析识别的序列段42-46
• 4.2.1 时间序列分段特征分析42-43
• 4.2.2 分段特征和序列段的选择43-44
• 4.2.3 以识别对象序列的相关性为特征44-45
• 4.2.4 以识别对象序列的差分为特征45-46
• 4.3 待识别序列的回归分析46-50
• 4.3.1 建立各时间点与序列段平均值的线性回归方程46-47
• 4.3.2 提取趋势分量与波动分量47-48
• 4.3.3 模式特征的讨论48-50
• 4.4 波动分量的分析50-54
• 4.4.1 波动分量的统计特征50-51
• 4.4.2 波动分量的自回归分析51-52
• 4.4.3 波动分量自回归模型的讨论52-54
• 4.5 本章小结54-55
• 第五章 识别方法的应用与结果分析55-65
• 5.1 各种识别参数的实验结果55-60
• 5.1.1 范数55-56
• 5.1.2 最小奇异值56-57
• 5.1.3 马氏距离57-58
• 5.1.4 马氏距离的x~2值58-60
• 5.2 识别结果的验证分析及比较60-62
• 5.2.1 判别算法的评价方法60
• 5.2.2 各种识别方法的验证分析60-61
• 5.2.3 识别参数的选定61-62
• 5.3 实验验证62-63
• 5.4 本章小结63-65
• 第六章 结论与展望65-67
• 参考文献67-72
• 攻读学位期间公开发表的论文72-73
• 附录73-85
• 致谢85-86

【参考文献】

中国期刊全文数据库 前7条

1 王攀;沈继忠;施锦河;;想象左右手运动的脑电特征提取[J];传感技术学报;2010年09期

2 陈敏;张步涵;段献忠;胡德峰;;基于最小奇异值灵敏度的电压稳定薄弱节点研究[J];电网技术;2006年24期

3 赵建林;周卫东;刘凯;蔡冬梅;;基于SVM和小波分析的脑电信号分类方法[J];计算机应用与软件;2011年05期

4 费万春,白伦;茧丝纤度序列趋势分量的解析和仿真研究[J];丝绸;2004年08期

5 王璐;吴小培;高湘萍;;四类运动想象任务的脑电特征分析及分类[J];计算机技术与发展;2008年10期

6 黄思娟;吴效明;;基于Mu/Beta节律想象运动脑电信号特征的提取[J];中国组织工程研究与临床康复;2010年43期

7 张龙;熊国良;柳和生;邹慧君;陈慧;;基于时变自回归模型与支持向量机的旋转机械故障诊断方法[J];中国电机工程学报;2007年09期

中国硕士学位论文全文数据库 前1条

1 鲁星星;时变向量自回归模型在说话人识别中的应用[D];苏州大学;2012年

  本文关键词：基于非平稳时间序列分析方法的脑电信号模式识别，由笔耕文化传播整理发布。

，

本文编号：432859