基于小波分解和Teager能量算子的P300特征提取及分类算法研究

发布时间：2017-03-21 05:10

  本文关键词：基于小波分解和Teager能量算子的P300特征提取及分类算法研究，由笔耕文化传播整理发布。

【摘要】：脑电作为最普遍和紧要的人体生物电之一,根据研究表明其含有丰硕的生理、心理及病理信息。脑机接口(brain-computer interface, BCI)是一种生命科学领域的通讯接口,研究表明通过记录脑电信号,并对脑电信号进行一定的处理后能够解读出被测试的人体大脑的思维,因此能够将其转换成机器能识别的控制命令从而实现人脑对计算机、轮椅、家用电器和机器人等控制,因此科研人员研究脑电信号具有举足轻重的意义,主要运用于脑功能分析、临床神经科疾病分析、判断人思维乃至国防工业等方面。基于视觉诱发电位P300的脑机接口比较容易实现,因此本论文主要是研究如何判断采用视觉诱发获得的脑电数据中是否含有诱发电位P300及其处理方法：1.在脑电采集系统中,工频干扰是最常见的干扰之一,在硬件上进行强制性去工频干扰会去掉有用的脑电信号,所以使用算法软式去工频干扰,可以减少脑电信息的丢失,因此本论文对脑电信号预处理时专门设计了一个工频陷波器,滤掉50Hz的工频干扰,它能在保证其他频率的信号不损失的情况下,有效的抑制输入信号中某一频率信息。2.工频滤波后的脑电数据可能还是含有其他的噪声,甚至被噪声淹没,使提取脑电数据的特征带来了非常大的困难,所以去除掉噪声为下步特征提取做好准备具有重要意义。由于小波分析是一类窗口大小不变,大小可变的典型的不论在时域还是频域都有不错的局部化信号分析方法,其可根据被分析的信号的特点自适应地分析不同尺度的被分析信号,所以本论文使用基于小波基‘'sym6"勺小波分析进行默认阈值去噪；3.为了提高分辨的速度和提取脑电数据时域的特征量,进行脑电数据降维的同时保存脑电数据时域的基本特征是普遍的做法。根据对小波分解的介绍和分析,本论文采用了基于小波基“sym6”的脑电数据分解,一段采样点206的脑电数据的经过小波分解后降维到23个点；4.为了获得更多P300的特征量已到达训练出更好的支持向量机分类模型,本论文提出了采集脑电数据的能量域特征,因此引入了Teager能量算子。Teager能量算子的计算比较简单因此在计算一段标记区间的脑电数据比较迅速；5.脑电数据进行时域和能量域的特征提取后,要使用一种方法进行二分类判断其是否含有P300。本论文提出了采用支持向量机进行二分类,选用基于RBF核函数的支持向量机分类模型能够满足判断脑电数据是否含有P300的要求。因此,本文提出的基于小波分解和Teager能量算子的综合特征提取算法比只基于时域特征提取的算法精度更高。具有比较好的理论研究和应用价值。
【关键词】：BCI P300 小波分解 Teager能量算子 支持向量机
【学位授予单位】：广东工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN911.7;R338
【目录】：

• 摘要4-6
• Abstract6-12
• 第一章 绪论12-17
• 1.1 研究背景及意义12-14
• 1.2 P300脑电信号处理国内外研究现状14-16
• 1.3 论文的主要研究内容及结构安排16-17
• 第二章 P300特征提取及分类算法整体框架17-22
• 2.1 脑电的电生理学基础17-18
• 2.2 P300原理18-20
• 2.3 P300特征提取及分类算法框架20-21
• 2.4 小结21-22
• 第三章 P300特征提取22-40
• 3.1 脑电信号预处理22-35
• 3.1.1 工频陷波器22-23
• 3.1.2 基于小波分析的脑电信号去噪算法23-35
• 3.2 脑电信号的特征提取35-39
• 3.2.1 基于小波分析的脑电信号特征提取35-38
• 3.2.2 基于Teager能量算子的脑信号能量特征提取38
• 3.2.3 特征提取算法38-39
• 3.3 小结39-40
• 第四章 脑电信号的支持向量机分类40-46
• 4.1 支持向量机基本原理40-45
• 4.2 脑电信号的支持向量机二分类45
• 4.3 小结45-46
• 第五章 测试平台搭建及测试结果分析46-66
• 5.1 测试平台搭建46-49
• 5.1.1 范式诱发P300界面设计46-47
• 5.1.2 改进的范式刺激诱发界面设计47-49
• 5.2 脑电信号的测试结果与分析49-64
• 5.2.1 预处理结果及分析50-57
• 5.2.2 特征提取结果及分析57-64
• 5.3 小结64-66
• 结论和展望66-68
• 参考文献68-72
• 攻读学位期间的科研成果72-74
• 致谢74

【相似文献】

中国期刊全文数据库 前10条

1 葛丁飞;李小梅;;心电信号多周期融合特征提取和分类研究[J];中国生物医学工程学报;2006年06期

2 张绍武;潘泉;赵春晖;程咏梅;;基于加权自相关函数特征提取法的多类蛋白质同源寡聚体分类研究[J];生物医学工程学杂志;2007年04期

3 薛建中,郑崇勋,闫相国;快速多变量自回归模型的意识任务的特征提取与分类[J];西安交通大学学报;2003年08期

4 杨晓敏,罗立民;白细胞自动分类中的特征提取和分析[J];北京生物医学工程;1992年04期

5 王双维;樊晓平;廖志芳;;一种激光诱导荧光光谱特征提取新方法[J];计算机工程与应用;2008年12期

6 杜军平,涂序彦;计算机图像处理技术在舌像特征提取中的应用[J];中国医学影像技术;2003年S1期

7 游佳;陈卉;;数字图像中血管的分割与特征提取[J];生物医学工程与临床;2011年01期

8 谢轶峰;;乳腺超声图像肿瘤特征提取与肿瘤分类[J];中外医疗;2013年16期

9 吴泽晖,吴星;医学图象的边缘特征提取[J];海南师范学院学报(自然科学版);2003年03期

10 杨晓敏，，罗立民，韦钰;血液白细胞计算机分类中的特征提取研究[J];应用科学学报;1994年02期

中国重要会议论文全文数据库 前10条

1 尚修刚;蒋慰孙;;模糊特征提取新算法[A];1997中国控制与决策学术年会论文集[C];1997年

2 潘荣江;孟祥旭;杨承磊;王锐;;旋转体的几何特征提取方法[A];第一届建立和谐人机环境联合学术会议（HHME2005）论文集[C];2005年

3 薛燕;李建良;朱学芳;;人脸识别中特征提取的一种改进方法[A];第十三届全国图象图形学学术会议论文集[C];2006年

4 杜栓平;曹正良;;时间—频率域特征提取及其应用[A];2005年全国水声学学术会议论文集[C];2005年

5 黄先锋;韩传久;陈旭;周剑军;;运动目标的分割与特征提取[A];全国第二届信号处理与应用学术会议专刊[C];2008年

6 魏明果;;方言比较的特征提取与矩阵分析[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

7 林土胜;赖声礼;;视网膜血管特征提取的拆支跟踪法[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 秦建玲;李军;;基于核的主成分分析的特征提取方法与样本筛选[A];2005年中国机械工程学会年会论文集[C];2005年

9 刘红;陈光

本文编号：259088