运动想象脑电模式识别算法研究

发布时间：2020-05-05 18:52

【摘要】：基于运动想象的脑机接口是一种非常重要的脑机交互策略,其特点是用户通过思维“想象”相关的脑信号来控制机器人或外部设备,由于其在运动功能康复、运动功能辅助等方面具有巨大的潜在应用价值,受到了广泛的关注。脑机接口系统为人的大脑和外部世界提供了另外一种通信途径,它本身是一系列硬件设备和软件的集合。脑机接口系统的重要研究内容和关键技术在于从所检测的脑神经电活动数据中识别出使用者主观动作意图并通过适当的模式识别算法将之转换为控制外部机电设备的执行命令,因此开展对运动想象脑电特征提取、特征选择和特征分类等的研究具有十分重要的意义。基于运动想象的脑机接口系统主要使用运动感知节律信号的幅度调制信息来反应被试者的动作意图,这种调制通常会产生具有明显对侧效应的事件相关去同步和事件相关同步现象,对于不同的受试者,事件相关去同步和事件相关同步现象往往出现在不同的脑区、不同的频带范围、不同的时间段内。本文首先结合双树复小波变换和粒子群优化算法提出一种频域优化及时间域全局参数优化选择算法。在该算法中,频域和时间域上的优化还是相对独立的,在此基础上,本文进一步提出一种基于人工蜂群算法的时频域参数联合优化选择算法,配合以导联(电极)选择算法,在空间域、时间域及频域上进行全面优化。共空间模式算法已被证明是最有效的运动想象脑电特征提取算法之一,但导联选择、频带滤波以及时间区间选择对该算法的效果具有决定性的影响。此外,算法中的协方差矩阵的计算极易受噪声样本或异常样本的干扰,在设计最优滤波器的时候,目前绝大多数研究都直接根据特征值进行滤波器向量的选取。针对上述问题,本文提出利用稀疏回归的思想进行多重局部时频块优化选取,同时本文还分析和研究了鲁棒性空间滤波器组设计,以减少脑电非平稳特性和噪声对共空间模式算法的影响。在稀疏表示分类算法中,测试样本由所有的训练样本线性表示,这增加了算法自适应操作的灵活性,同时也对训练样本的质量提出了更高的要求。由于很多复杂的原因,例如脑电信号的非平稳特性或被试者的误操作,一些非正常样本会混入字典中。为了去除字典中存在的非正常样本,并提高稀疏表示分类算法的分类性能,本文提出一种基于k近邻算法的字典清理方案,并实际采集了右手食指运动想象脑电数据集用于本部分算法的验证,实验结果证实了食指运动想象脑电的可辨识性和改进算法的有效性。在运动想象脑电特征分类阶段,线性判别分析算法较为频繁地被应用于脑机接口系统应用中。但从脑机接口系统有关的文献来看,核方法往往能取得比线性方法更好的分类效果。本文率先将多核判别分析的思想引入到运动想象脑电信号分类中,提出一种基于线性核和高斯核的多核构建方案,并使用了Fisher’s线性判别分析准则作为核函数权重选择的依据。在特征优化上,本文提出了一种基于复合核支持向量机算法的多重局部时频块优化选取方案。在传统的运动想象脑电模式识别算法中,特征提取和特征分类这两个环节通常是相对独立的。尽管这种传统的模式识别方式已经被广泛采用,但手工选取脑电信号特征还是会存在依靠经验和先验知识的问题,并且特征提取算法和特征分类算法往往使用的是不同的目标函数,这些都会在一定程度上影响模式识别的效果。本文提出一种肢体运动想象脑电空频特征深度学习及模式分类算法,设计了一个多层卷积神经网络模型用于运动想象脑电模式识别,直接面向原始脑电信号提取更深层、更具有区分度和可解释性的特征,同时将特征提取和特征分类包含在一个框架内,避免了将两者分离带来的信息丢失。本论文的研究,丰富了运动想象脑电模式识别的思路,能够解决当前存在的一些关键问题,对于其他领域的模式识别问题也具有一定的借鉴意义。
【图文】：

字典,表示模型,线性,表示分类

图 3-11 字典设计和线性稀疏表示模型(a) (b)0 50 100 150 200 250-0.5-0.4-0.3-0.2-0.100.10.20.30.4Feature vector indexCefofcientiSRC0 50 100 150 200 250-0.5-0.4-0.3-0.2-0.100.10.20.3Feature vector indexCoeficientSRC稀疏表示分类稀疏表示分类因子值因子值特征向量索引特征向量索引图 3-12 被试者“al”的稀疏表示分类结果注意到脑电信号通常是含噪的并且具有非平稳特性，，因此每一类中均可能存在若干不
【学位授予单位】：东南大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：R318;TP18

【参考文献】