多任务运动想象脑电信号分类算法研究及脑机接口系统设计
发布时间：2022-09-29 13:35
随着科学技术的飞速发展,人们对智能化的需求越来越广泛,脑机接口（Brain Computer Interface,BCI）技术作为一种新型人机交互技术也随之从实验室走到了人们的视线之中,具有广阔的应用前景。但是脑电信号（Electroencephalogram,EEG）是一种非线性非平稳的信号,对脑电信号解析的难度较大。为了提高运动想象脑电信号的分类准确率以及脑机接口的实用性,本文选择多任务运动想象脑电信号进行研究,多任务与二分类的不同之处在于分类数量在三种或者三种以上并且分类难度也会加大,此外本文还利用脑电信号采集设备设计了一种脑机接口系统。1、在脑电信号预处理阶段:本文采用了带通滤波、公共平均参考以及独立成分分析法,消除了与运动想象脑电信号无关的信号,从而为脑电信号的特征提取和分类提供了良好的基础。2、在脑电信号识别阶段:从常规的信号分解算法出发引入了固有时间尺度分解算法（Intrinsic Time-scale Decomposition,ITD）,通过对分解信号的比较,验证了ITD分解的优越性;在选取分解分量能量和AR模型系数特征的同时,还引入了相位同步对运动想象时各电极之间的...
【文章页数】：76 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究的背景及意义
1.2 国内外研究现状
1.2.1 脑电信号处理国内外研究进展
1.2.2 脑机接口系统国内外发展现状
1.3 目前存在的问题
1.4 本文研究的主要内容
第2章 脑电信号概述及其预处理
2.1 脑电信号的基础知识
2.1.1 脑电信号的产生
2.1.2 脑电信号的分类
2.1.3 脑电信号的特点
2.2 事情相关去同步与同步
2.3 脑电信号的采集
2.3.1 脑电信号采集方式
2.3.2 国际标准电极放置方法
2.3.3 脑电信号数据集采集范式
2.4 脑电信号的预处理
2.4.1 带通滤波
2.4.2 公共平均参考法
2.4.3 独立成分分析法
2.5 本章小结
第3章 基于ITD的多类运动想象脑电模式研究
3.1 经验模态分解
3.2 固有时间尺度分解
3.3 特征选择与特征提取
3.3.1 信号能量特征
3.3.2 自回归模型系数
3.3.3 相位同步分析
3.4 脑电信号特征分类
3.4.1 支持向量机
3.4.2 评价标准
3.4.3 实验结果与分析
3.5 本章小结
第4章 脑机接口系统的设计与实现
4.1 系统整体方案
4.2 基于脑机接口的人机交互系统实现
4.2.1 信号采集单元
4.2.2 数据处理单元
4.2.3 控制指令输出单元
4.2.4 字符输入单元
4.3 系统测试与分析
4.4 本章小结
第5章 总结与展望
5.1 全文总结
5.2 前景展望
参考文献
作者简介及科研成果
致谢
【参考文献】：
期刊论文
[1]基于多域特征与随机子空间集成的脑电分类[J]. 邓欣,龙灿,米建勋,张博宪,孙开伟,王进. 系统仿真学报. 2020(09)
[2]CNN实现的运动想象脑电分类及人-机器人交互[J]. 程时伟,周桃春,唐智川,范菁,孙凌云,朱安杰. 软件学报. 2019(10)
[3]基于CSP与卷积神经网络算法的多类运动想象脑电信号分类[J]. 曾庆山,范明莉,宋庆祥. 科学技术与工程. 2017(27)
[4]面向康复与辅助应用的脑-机接口趋势与展望[J]. 王仲朋,陈龙,何峰,万柏坤,明东. 仪器仪表学报. 2017(06)
[5]多类运动想象脑电信号的两级特征提取方法[J]. 孟明,朱俊青,佘青山,马玉良,罗志增. 自动化学报. 2016(12)
[6]脑科学与类脑研究概述[J]. 蒲慕明,徐波,谭铁牛. 中国科学院院刊. 2016(07)
[7]基于KNN算法的改进的一对多SVM多分类器[J]. 刘雨康,张正阳,陈琳琳,陈静. 计算机工程与应用. 2015(24)
[8]改进的一对一支持向量机多分类算法[J]. 单玉刚,王宏,董爽. 计算机工程与设计. 2012(05)
[9]四类运动想象脑电信号特征提取与分类算法[J]. 施锦河,沈继忠,王攀. 浙江大学学报(工学版). 2012(02)
[10]人脑连接组研究:脑结构网络和脑功能网络[J]. 梁夏,王金辉,贺永. 科学通报. 2010(16)
硕士论文
[1]基于运动想象的脑机交互系统的设计与实现[D]. 张子琪.哈尔滨工业大学 2019
[2]多类运动想象脑电信号识别及其在BCI中的应用研究[D]. 赵凯.东北电力大学 2019
[3]基于立体视觉刺激的脑机接口环境控制系统研究[D]. 刘君.华南理工大学 2018
[4]小波预处理的ITD方法在脑电信号处理中的应用研究[D]. 梁悦.太原理工大学 2017
[5]四类运动想象任务的脑电信号识别算法研究[D]. 张焕.山西大学 2016
[6]基于脑—机接口的驾驶员疲劳度检测预警系统研究[D]. 孙宇.吉林大学 2015
[7]基于小波变换的脑电信号处理研究[D]. 孔繁伟.山东大学 2005
本文编号：3682688
【文章页数】：76 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究的背景及意义
1.2 国内外研究现状
1.2.1 脑电信号处理国内外研究进展
1.2.2 脑机接口系统国内外发展现状
1.3 目前存在的问题
1.4 本文研究的主要内容
第2章 脑电信号概述及其预处理
2.1 脑电信号的基础知识
2.1.1 脑电信号的产生
2.1.2 脑电信号的分类
2.1.3 脑电信号的特点
2.2 事情相关去同步与同步
2.3 脑电信号的采集
2.3.1 脑电信号采集方式
2.3.2 国际标准电极放置方法
2.3.3 脑电信号数据集采集范式
2.4 脑电信号的预处理
2.4.1 带通滤波
2.4.2 公共平均参考法
2.4.3 独立成分分析法
2.5 本章小结
第3章 基于ITD的多类运动想象脑电模式研究
3.1 经验模态分解
3.2 固有时间尺度分解
3.3 特征选择与特征提取
3.3.1 信号能量特征
3.3.2 自回归模型系数
3.3.3 相位同步分析
3.4 脑电信号特征分类
3.4.1 支持向量机
3.4.2 评价标准
3.4.3 实验结果与分析
3.5 本章小结
第4章 脑机接口系统的设计与实现
4.1 系统整体方案
4.2 基于脑机接口的人机交互系统实现
4.2.1 信号采集单元
4.2.2 数据处理单元
4.2.3 控制指令输出单元
4.2.4 字符输入单元
4.3 系统测试与分析
4.4 本章小结
第5章 总结与展望
5.1 全文总结
5.2 前景展望
参考文献
作者简介及科研成果
致谢
【参考文献】：
期刊论文
[1]基于多域特征与随机子空间集成的脑电分类[J]. 邓欣,龙灿,米建勋,张博宪,孙开伟,王进. 系统仿真学报. 2020(09)
[2]CNN实现的运动想象脑电分类及人-机器人交互[J]. 程时伟,周桃春,唐智川,范菁,孙凌云,朱安杰. 软件学报. 2019(10)
[3]基于CSP与卷积神经网络算法的多类运动想象脑电信号分类[J]. 曾庆山,范明莉,宋庆祥. 科学技术与工程. 2017(27)
[4]面向康复与辅助应用的脑-机接口趋势与展望[J]. 王仲朋,陈龙,何峰,万柏坤,明东. 仪器仪表学报. 2017(06)
[5]多类运动想象脑电信号的两级特征提取方法[J]. 孟明,朱俊青,佘青山,马玉良,罗志增. 自动化学报. 2016(12)
[6]脑科学与类脑研究概述[J]. 蒲慕明,徐波,谭铁牛. 中国科学院院刊. 2016(07)
[7]基于KNN算法的改进的一对多SVM多分类器[J]. 刘雨康,张正阳,陈琳琳,陈静. 计算机工程与应用. 2015(24)
[8]改进的一对一支持向量机多分类算法[J]. 单玉刚,王宏,董爽. 计算机工程与设计. 2012(05)
[9]四类运动想象脑电信号特征提取与分类算法[J]. 施锦河,沈继忠,王攀. 浙江大学学报(工学版). 2012(02)
[10]人脑连接组研究:脑结构网络和脑功能网络[J]. 梁夏,王金辉,贺永. 科学通报. 2010(16)
硕士论文
[1]基于运动想象的脑机交互系统的设计与实现[D]. 张子琪.哈尔滨工业大学 2019
[2]多类运动想象脑电信号识别及其在BCI中的应用研究[D]. 赵凯.东北电力大学 2019
[3]基于立体视觉刺激的脑机接口环境控制系统研究[D]. 刘君.华南理工大学 2018
[4]小波预处理的ITD方法在脑电信号处理中的应用研究[D]. 梁悦.太原理工大学 2017
[5]四类运动想象任务的脑电信号识别算法研究[D]. 张焕.山西大学 2016
[6]基于脑—机接口的驾驶员疲劳度检测预警系统研究[D]. 孙宇.吉林大学 2015
[7]基于小波变换的脑电信号处理研究[D]. 孔繁伟.山东大学 2005
本文编号：3682688
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3682688.html
