运动想象脑—机接口的神经机制与识别算法研究

发布时间：2017-06-03 12:01

  本文关键词：运动想象脑—机接口的神经机制与识别算法研究，由笔耕文化传播整理发布。

【摘要】：运动想象脑-机接口(Motor Imagery-based Brain-Computer Interface,MI-BCI)提供了一条不经周围神经系统的替代性运动输出通路,在运动辅助和神经康复领域有着巨大的应用价值。国内外许多研究单位均发展出了能够实时输出控制命令的在线MI-BCI系统,但是由于受脑电(Electroencephalogram,EEG)记录电极技术,脑电信号非平稳性,环境噪声,分类识别稳定性和被试间差异等因素的影响,多数在线MI-BCI在线系统无法走出实验室。本文采用EEG和功能磁共振(functional Magnetic Resonance Imaging,f MRI)两种模态,首先从静息态入手研究了影响MI-BCI控制表现的神经机制,其次发展了一种鲁棒性更好的特征提取算法和分类性能更高的模式识别算法。主要研究内容如下:1.不同被试操控MI-BCI的表现存在差异,我们提出了一个可以有效预测被试MI-BCI控制表现的静息态谱熵指标,它源自于C3电极记录的2分钟的闭眼静息态EEG数据。谱熵指标与被试的MI-BCI控制表现的相关系数达到0.65。在同一实验数据集内和不同实验数据集间的分类中,该指标均表现出了优良的区分MI-BCI控制表现高/低被试的能力,分类准确率分别为82%和89%。据文献调研,本研究是第一个讨论不同实验数据集条件下MI-BCI控制表现的预测指标的分类稳定性的工作。静息态EEG谱熵指标有助于在短时间内鉴定被试潜在的MI-BCI控制能力,避免对“盲”被试进行耗时的、无意义的训练。2.从静息态EEG脑网络的角度分析了MI-BCI控制表现被试间差异的神经机制。发现静息态EEG脑网络的空间拓扑结构与MI-BCI控制表现紧密相关,其中脑网络的平均功能连接强度,节点度,连接边强度,聚类系数,局部效率和全局效率与被试的MI-BCI控制表现呈现正相关关系,而脑网络的特征路径长度与其呈负相关关系。这揭示出高效率的静息态EEG脑网络有助于提高被试的MI-BCI控制能力。进一步,基于静息态EEG脑网络的四个信息传输效率指标,构建了一个多元线性回归模型来预测被试的MI-BCI控制能力,预测值与真实值之间的相关系数为0.75,均方根误差为10.5%。3.基于fMRI数据,在体素水平上计算了大脑功能网络中所有节点的功能连接密度(Functional Connectivity Density,FCD)。主要发现双侧壳核、脑岛和枕中回是与被试MI-BCI控制能力相关的重要节点,其中双侧壳核和脑岛处的长程FCD与MI-BCI控制表现负相关,而双侧枕中回处的长程FCD与MI-BCI控制表现正相关,以上结果有助于加深我们对MI-BCI控制的大脑网络机制的理解。4.提出了一种局部时间相关共空间模式(Local Temporal Correlation Common Spatial Patterns,LTCCSP)方法用于MI-BCI的特征提取。该方法将局部时间相关信息作为权重加入到CSP(Common Spatial Patterns)算法的协方差矩阵的估计过程中,可以提高估计出的空间滤波器的鲁棒性。仿真实验结果显示,LTCCSP在不同噪声出现概率情况下均能保持较高的分类识别准确率。在基于真实MI-BCI数据的对比实验中,我们发现LTCCSP依然能够获得最高的分类识别准确率。上述结果一致揭示出LTCCSP算法可以有效的提取MI-BCI的运动想象相关EEG特征,且具有较高的鲁棒性。5.提出一种用于MI-BCI的分类识别算法Z-LDA(Z-score Linear Discriminant Analysis)。经典LDA(Linear Discriminant Analysis)算法只使用训练集样本低维投影后分布的均值来定义分类边界,而Z-LDA同时使用投影后分布的均值和标准差信息来定义分类边界,能够自适应的调整分类边界以适应待分类样本异方差分布的情况。从仿真数据集和2个真实的MI-BCI数据集得到的结果一致显示,Z-LDA能够取得显著高于传统LDA方法的分类正确率,表明本文所提出的新型分类边界定义策略在MI-BCI中的分类识别中具有一定的优越性。综上,本文一方面建立了一个可以预测被试MI-BCI控制表现的静息态EEG谱熵指标,并基于EEG和f MRI两种模态从静息态脑网络角度研究了MI-BCI控制的神经机制;另一方面在MI-BCI的信号处理算法领域,首先发展了一种鲁棒性更好的CSP改进算法,其次提出了一种新的分类边界定义策略以提高分类正确率。这些工作有助于加快MI-BCI走出实验室的进程。
【关键词】：脑-机接口 谱熵 静息态脑网络 功能连接密度 特征提取 模式识别
【学位授予单位】：电子科技大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：R338;TN911.7
【目录】：

• 摘要5-7
• ABSTRACT7-14
• 第一章 绪论14-29
• 1.1 脑-机接.的背景介绍14-19
• 1.1.1 脑-机接.系统的构成框架14-15
• 1.1.2 脑-机接.的类型15-19
• 1.2 运动想象的脑机制19-21
• 1.2.1 运动想象的脑功能区定位19-20
• 1.2.2 运动想象的脑网络研究20-21
• 1.3 运动想象脑-机接21-24
• 1.3.1 特征提取21-22
• 1.3.2 模式分类22-23
• 1.3.3 被试间差异23
• 1.3.4 MI-BCI的知名研究机构23-24
• 1.4 运动想象脑-机接.的应用方向24-26
• 1.4.1 运动辅助24-25
• 1.4.2 神经康复25-26
• 1.5 本文主要工作26-28
• 1.6 论文结构28-29
• 第二章 静息态EEG谱熵指标预测MI-BCI控制表现的研究29-47
• 2.1 引言29-30
• 2.2 材料与方法30-36
• 2.2.1 实验被试30-31
• 2.2.2 实验范式及数据采集31-32
• 2.2.3 被试的MI-BCI控制表现32-34
• 2.2.4 静息态EEG谱熵34-35
• 2.2.5 基于静息态EEG谱熵预测被试的MI-BCI控制表现35-36
• 2.2.6 两轮实验间被试MI-BCI控制表现和预测指标的变化36
• 2.2.7 相关的研究工作36
• 2.3 结果36-42
• 2.3.1 被试的MI-BCI控制表现36-37
• 2.3.2 静息态EEG谱熵与MI-BCI控制表现的关系37-38
• 2.3.3 同一实验轮次内的MI-BCI控制表现预测38-40
• 2.3.4 不同实验轮次间的MI-BCI控制表现预测40-41
• 2.3.5 两轮实验间被试的MI-BCI控制表现与预测指标的变化41-42
• 2.4 讨论42-46
• 2.4.1 MI-BCI“盲”现象43
• 2.4.2 静息态EEG谱熵指标的特点43-45
• 2.4.3 不同实验轮次间的预测性能45
• 2.4.4 SMR，，ATR和谱熵预测指标45-46
• 2.4.5 局限性46
• 2.5 本章小结46-47
• 第三章 基于静息态EEG脑网络的MI-BCI控制表现研究47-60
• 3.1 引言47-48
• 3.2 材料与方法48-51
• 3.2.1 实验数据48
• 3.2.2 被试的MI-BCI控制表现48
• 3.2.3 静息态EEG脑网络的构建48-49
• 3.2.4 图论分析49-50
• 3.2.5 基于多元线性回归模型的MI-BCI控制表现预测50-51
• 3.3 结果51-54
• 3.3.1 MI-BCI控制表现与脑网络的关系：平均功能连接强度51
• 3.3.2 MI-BCI控制表现与脑网络的关系：节点度与边连接强度51-52
• 3.3.3 MI-BCI控制表现与脑网络的关系：网络传输效率52-54
• 3.3.4 静息态EEG脑网络属性的稳定性54
• 3.3.5 基于脑网络传输效率指标预测MI-BCI控制表现54
• 3.4 讨论54-59
• 3.4.1 节点度、连接边与偏侧性55-57
• 3.4.2 网络信息传输效率与MI-BCI控制表现57
• 3.4.3 MI-BCI控制能力预测57-58
• 3.4.4 与SSVEP-BCI研究的关系58
• 3.4.5 参考电极对EEG脑网络的影响58-59
• 3.4.6 容积传导效应对EEG脑网络的影响59
• 3.5 本章小结59-60
• 第四章 基于长程FCD的MI-BCI控制表现研究60-66
• 4.1 引言60-61
• 4.2 材料与方法61-63
• 4.2.1 实验被试61
• 4.2.2 被试分组61
• 4.2.3 fMRI数据采集61-62
• 4.2.4 fMRI数据预处理62
• 4.2.5 功能连接密度分析62-63
• 4.3 结果63-65
• 4.3.1 长程FCD的组间差异63-64
• 4.3.2 基于长程FCD预测MI-BCI控制表现64-65
• 4.4 讨论65
• 4.5 本章小结65-66
• 第五章 基于LTCCSP的MI-BCI特征提取算法66-76
• 5.1 引言66-67
• 5.2 材料与方法67-70
• 5.2.1 CSP算法原理67-68
• 5.2.2 LTCCSP算法原理68-70
• 5.2.3 LTCCSP算法在MI-BCI在线系统中的应用70
• 5.3 结果70-74
• 5.3.1 仿真噪声干扰的MI-BCI数据集70-73
• 5.3.2 真实MI-BCI数据集73-74
• 5.4 讨论74-75
• 5.5 本章小结75-76
• 第六章 基于Z-LDA的MI-BCI分类识别算法76-88
• 6.1 引言76-77
• 6.2 材料与方法77-79
• 6.2.1 LDA算法原理77-78
• 6.2.2 Z-LDA的原理78-79
• 6.2.3 Z-LDA与LDA之间的关系79
• 6.3 结果79-84
• 6.3.1 仿真实验结果79-82
• 6.3.2 真实的MI-BCI数据集分类结果82-84
• 6.4 讨论84-87
• 6.5 本章小结87-88
• 第七章 总结与展望88-92
• 7.1 全文总结88-89
• 7.2 未来展望89-92
• 致谢92-93
• 参考文献93-108
• 附录 基于PLI的脑网络与MI-BCI控制表现间的关系108-111
• 攻读博士学位期间取得的成果111-114

【共引文献】

中国期刊全文数据库 前10条

1 蔡永春,尧德中;真实头模型中的源电位计算方法与效果[J];电子科技大学学报;2003年02期

2 尧德中;选择性注意脑电成分的新模型及其应用(英文)[J];电子科技大学学报;2004年04期

3 李凌;尧德中;刘铁军;赵丽娜;;刺激前后脑电α波相位重排现象研究[J];电子科技大学学报;2006年01期

4 曾敏;赖永秀;任鹏;邱丽君;尧德中;;跨通路实验模式的视觉失匹配负波研究[J];电子科技大学学报;2007年05期

5 段晓勇;彭仕政;李龙武;张玉强;卫高峰;刘晓春;;时谐偶极子在介质球头模型中的电位分布[J];电子科技大学学报;2008年01期

6 赖永秀;高婷婷;吴丹;尧德中;;音乐情绪感知的脑电研究[J];电子科技大学学报;2008年02期

7 尧德中;刘铁军;雷旭;杨平;徐鹏;张杨松;;基于脑电的脑-机接口:关键技术和应用前景[J];电子科技大学学报;2009年05期

8 李凌;张金香;;闭眼与开眼静息状态下脑电α波的差异研究[J];电子科技大学学报;2010年03期

9 赖永秀;夏阳;万衡;雷町;尧德中;;癫痫发作的两种模式[J];电子科技大学学报;2010年03期

10 刘练红,刘旭峰,吕静,苗丹民,皇甫恩,邵永聪;汉字心理旋转的事件相关电位研究[J];第四军医大学学报;2004年22期

中国博士学位论文全文数据库 前10条

1 刘杨;事件相关电位脑—机接口的最优设计[D];国防科学技术大学;2010年

2 罗程;多模态神经成像技术在特发性全面性癫痫中的应用研究[D];电子科技大学;2011年

3 张军鹏;脑电磁源定位算法研究及其在初级听觉皮层定位中的应用[D];电子科技大学;2011年

4 雷旭;基于贝叶斯理论的EEG-fMRI融合技术研究[D];电子科技大学;2011年

5 李鹏海;基于计算机视觉的移动外设BCI控制新技术研究[D];天津大学;2011年

6 赵岩斌;脑电数据的函数分析方法[D];东北师范大学;2011年

7 廖伟;基于磁共振成像的脑连接方法学及应用研究[D];电子科技大学;2011年

8 赵海滨;脑—机接口的特征提取和分类方法研究[D];东北大学;2009年

9 叶柠;基于脑电信号的脑—机接口的关键技术与实验研究[D];东北大学;2010年

10 缪晓波;基于脑电信号的认知动力学系统研究——线性/非线性方法及动态时—频—空分析[D];重庆大学;2004年

  本文关键词：运动想象脑—机接口的神经机制与识别算法研究，由笔耕文化传播整理发布。

本文编号：418062