基于流形学习的脑电特征提取方法及应用

发布时间：2017-03-24 02:11

  本文关键词：基于流形学习的脑电特征提取方法及应用，，由笔耕文化传播整理发布。

【摘要】：人在受到外界刺激或者进行主动思维活动时,脑神经细胞在大脑皮层会产生具有特异性、节律性的脑电信号。这种生物电信号不仅包含了大量生理或疾病信息,而且与人的意识状态具有紧密的相关性。能否准确提取和正确解读运动想象(Motor Imagery Electroencephalography,MI-EEG)的特征信息,成为其在脑功能研究、疾病诊断及康复领域成功应用的关键。传统的MI-EEG特征提取方法大多是从信号的时间域、频率域、时频域或空间域来考虑的,对于MI-EEG在高维空间中的非线性流形结构上涉及较少。为了在最大限度保持原始信号非线性流形结构信息的前提下,对脑电信号进行数据降维和特征提取,众多数据降维方法被引入到脑机接口(Brain Computer Interface,BCI)领域当中。然而,这些方法绝大多数是线性的或者局部线性的,这难免会导致在处理真实世界非线性数据过程中出现真实信息丢失的问题。为了试图从数据集内蕴非线性几何分布的角度对脑电信号进行数据挖掘,同时兼顾脑电信号的时频特点与神经生理特性,本论文将流形学习应用于脑电信号的特征提取中并与传统的EEG时频特征进行融合,最后将该算法成功应用于具有现实意义的BCI系统中。本文的主要工作包括:1、提出一种局部线性嵌入(Locally Linear Embedding algorithm,LLE)和离散小波变换(Discrete Wavelet Transform,DWT)的运动想象脑电信号的特征提取方法,即DWT-LLE。首先,利用利用小波变换提取EEG信号特定频段的时频特性;然后,对低频段的小波系数使用LLE方法进行非线性结构特征的挖掘的同时,对其他频段小波系数求取脑电信号的能量的分布特征;最后,将二者结合组成最终的特征矢量,使用经过GA优化的BP神经网络进行数据分类。该方法在兼顾脑电信号非线性、时频性、节律性、神经生理特性的基础上,成功实现了其数据降维的目的。在国际BCI竞赛标准数据上使用SVM进行模式分类实验,该算法相比同类的方法表现出较高分类正确率的同时兼具稳定性。2、在DWT-LLE的研究过程中,发现以LLE为代表的传统的流形学习算法在数据降维过程中无法提供从高维观测空间到低维特征空间的非线性映射关系,这使得其在模式识别的任务中具有对于训练样本外的数据泛化性能较弱的缺点。针对该问题,本文提出一种基于DWT和参数化t分布随机邻嵌入(parametric t-Distributed Stochastic Neighbor Embedding,P.t-SNE)的算法,即DWT-P.t-SNE。该算法一个基于限制性玻尔兹曼机(Restricted Boltzmann Machines,RBMs)的多层神经网络备用来对一个非线性映射关系进行参数化的,用来弥补传统ML方法泛化能力较弱的缺点。从而在完成脑电信号数据降维的同时,并与使用DWT得到的时频特征进行融合,得到包含EEG时频信息和非线性信息的特征。我们发现:使用该法得到的特征在3维空间表现出明显聚类分布性以及独特的流形结构分布,同时分类正确率得到进一步提高。3、本研究设计的BCI系统为基于DWT-LLE算法的左右手运动想象家电控制系统和基于DWT-P.t-SNE的手臂伸/屈运动想象运动康复系统。前者的目的是帮助思维正常而肢体运动功能障碍患者利用MI-BCI技术对家电设备进行控制,从而方便他们日常生活;后者是通过患者的单侧手臂的伸屈运动想象来达到患肢运动康复的目的。首先,设计基于C#的MI-EEG采集软件和机械臂控制软件;然后,将MATLAB编写的信号预处理、特征提取和模式分类算法程序编译为dll文件,以供BCI系统的使用;接着,使用脑电信号的采集软件控制EEG采集设备g.MOBIlab脑电仪实时采集脑电信号;随后,调用编写好的dll算法程序对脑电信号进行解析,识别出信号中蕴含的运动想象任务;最后,将得到的控制命令同串口传给BCI系统的外部设备---机械臂,控制器进行相应于运动想象任务的运动,实现受试者通过MI-EEG来控制外部设备的目标。这不仅验证了所提算法的适用性和有效性,更将流形学习算法引入到BCI技术的实际应用中,特别是日常生活应用和医学康复领域。本文的研究成果不仅利于基于MI-EEG的BCI系统实时性的提高,对于深刻剖析脑电信号和挖掘其非线性特征具有重要的参考价值,也为从数据流形分布角度研究脑电信号和运动想象意识提供了新思路。
【关键词】：脑机接口 流形学习 局部线性嵌入 参数化t分布随机邻嵌入 特征提取 可视化
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R318;TN911.7
【目录】：

• 摘要4-6
• Abstract6-11
• 第1章 绪论11-27
• 1.1 课题研究背景及意义11-12
• 1.2 脑机接口的基本原理12-19
• 1.2.1 组成及工作原理12-14
• 1.2.2 脑电信号的采集方式14-16
• 1.2.3 脑电信号的分类16-17
• 1.2.4 脑电信号的生理基础17-19
• 1.3 研究现状19-23
• 1.3.1 BCI系统研究现状19-21
• 1.3.2 脑电特征提取方法研究现状21-22
• 1.3.3 存在的问题22-23
• 1.4 本文研究内容及组织结构23-27
• 第2章 基于LLE和DWT的脑电信号特征提取的研究27-43
• 2.1 引言27
• 2.2 流形学习的概述27-29
• 2.2.1 流形学习的背景27
• 2.2.2 流形学习的提出27-28
• 2.2.3 流形学习在脑电信号处理中的引入28-29
• 2.3 基础理论29-32
• 2.3.1 离散小波变换29-30
• 2.3.2 局部线性嵌入30-32
• 2.4 数据分析32-35
• 2.4.1 实验数据32-33
• 2.4.2 基于Wigner-Ville分布的时频分析33-34
• 2.4.3 MI-EEG信号的功率谱分析34-35
• 2.5 特征提取与可视化35-37
• 2.5.1 时频特征35-36
• 2.5.2 非线性特征及可视化36-37
• 2.6 实验研究与分析37-41
• 2.6.1 LLE算法中参数的优化选择37-39
• 2.6.2 特征组合与分类器匹配实验研究39-40
• 2.6.3 多种识别方法的对比研究40
• 2.6.4 多种特征提取方法的对比研究40-41
• 2.7 本章小结41-43
• 第3章 基于参数化t-SNE的多域融合特征提取方法43-57
• 3.1 引言43
• 3.2 基础理论43-47
• 3.2.1 随机邻嵌入44-45
• 3.2.2 t分布随机邻嵌入45-46
• 3.2.3 参数化t分布随机邻嵌入46-47
• 3.3 特征提取与融合47-49
• 3.3.1 具体步骤47-48
• 3.3.2 算法流程48-49
• 3.4 实验研究与分析49-55
• 3.4.1 特征可视化结果的比较49-52
• 3.4.2 算法参数选择52-53
• 3.4.3 模式分类比较53-54
• 3.4.4 计算效率比较54-55
• 3.5 本章小结55-57
• 第4章 基于运动想象脑电信号的BCI系统设计57-73
• 4.1 引言57
• 4.2 基于DWT-LLE的BCI家电控制系统57-62
• 4.2.1 脑电信号采集58-60
• 4.2.2 信号采集过程60-61
• 4.2.3 信号处理过程61-62
• 4.2.4 实验结果62
• 4.3 基于DWT和P.t-SNE的BCI手臂康复系统62-72
• 4.3.1 系统框架63-64
• 4.3.2 脑电信号采集64-65
• 4.3.3 机械手臂及其控制模块65-67
• 4.3.4 系统软件设计67-68
• 4.3.5 实验步骤68-71
• 4.3.6 实验结果71-72
• 4.4 本章小结72-73
• 结论73-77
• 参考文献77-83
• 攻读硕士学位期间所发表的学术论文83-85
• 致谢85

  本文关键词：基于流形学习的脑电特征提取方法及应用，由笔耕文化传播整理发布。

本文编号：264927