基于稳态视觉诱发电位的脑机接口的研究

发布时间：2017-03-20 11:01

  本文关键词：基于稳态视觉诱发电位的脑机接口的研究，由笔耕文化传播整理发布。

【摘要】：脑机接口(brain-computer interface, BCI)是一种在大脑与外部电子设备之间建立的不依赖于肌肉组织或外围神经的新型信息传输装置。基于稳态视觉诱发电位(steady-state visual evoked potential, SSVEP)的BCI系统不仅可以实现高的信息传输速率,而且与其他BCI系统相比需要较少的校正时间,一直以来都是BCI研究中的热点。本研究主要对基于SSVEP的多通道BCI系统的空间特征提取及分类算法进行了优化,并取得了如下的研究成果：(1)本文建立了一个双重偏最小二乘回归(double partial least squares, D-PLS)的SSVEP频率识别模型,利用该模型可以在不需要进行训练的情况下,实现对SSVEP信号的空间特征提取及分类。在该模型中首先建立了一个PLS空间滤波器,从多通道脑电(electroencephalography, EEG)数据中提取出有效的SSVEP成分；然后,建立了一个基于PLS的SSVEP频率识别算法,对提取出的SSVEP特征信号进行分类。为了检验D-PLS模型的有效性,分别对PLS空间滤波器及PLS频率识别算法的性能进行了测试,并将它们分别与现有算法进行了对比分析。实验结果证明,PLS算法在SSVEP空间特征提取及频率识别方面都取得了很好的效果,而且具有很高的运算速度。D-PLS算法在各种实验条件下,均比现有的分类算法平均提高了2～4%的分类正确率,大大提高了BCI系统的性能。(2)本文我们还提出了一个基于功率谱密度分析(power spectral density analysis, PSDA)、典型相关分析(canonical correlation analysis, CCA)和D-PLS三种分类方法的联合判别算法。在短的时间窗上(1.5～3.5s),BCI系统的分类正确率在D-PLS的基础上进一步提高了2%到5%的正确率。
【关键词】：脑机接口 脑电图 稳态视觉诱发电位 空间滤波 特征提取 偏最小二乘回归 联合判别
【学位授予单位】：南京理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN911.7;R312
【目录】：

• 摘要3-4
• Abstract4-10
• 注释表10-11
• 1 绪论11-20
• 1.1 研究背景11-16
• 1.1.1 脑机接口的定义11
• 1.1.2 脑机接口的系统结构11-13
• 1.1.3 脑机接口的分类13-16
• 1.2 基于SSVEP的BCI系统16-18
• 1.2.1 稳态视觉诱发电位16-17
• 1.2.2 基于SSVEP的BCI系统结构17
• 1.2.3 基于SSVEP的BCI系统的研究现状及研究意义17-18
• 1.3 本文的主要研究内容和布局18-20
• 2 基于SSVEP的BCI系统的实验设计20-27
• 2.1 视觉刺激模块20-22
• 2.1.1 视觉刺激频率20-21
• 2.1.2 视觉刺激源21
• 2.1.3 视觉刺激模式21-22
• 2.2 电极安放方法22-25
• 2.2.1 10-20国际标准导联系统22-23
• 2.2.2 电极的导联方式23-24
• 2.2.3 常用的SSVEP信号采集方法24-25
• 2.3 实验设计25-26
• 2.3.1 被试25
• 2.3.2 视觉刺激25
• 2.3.3 实验范式25-26
• 2.3.4 脑电采集方式26
• 2.4 本章小结26-27
• 3 SSVEP空间特征提取方法27-41
• 3.1 脑电信号的预处理27-29
• 3.2 现有的空间特征提取算法29-32
• 3.2.1 空间滤波模型29-30
• 3.2.2 双极融合30-31
• 3.2.3 最小能量融合31-32
• 3.2.4 最大对比融合32
• 3.3 基于偏最小二乘回归的空间滤波算法32-37
• 3.3.1 PLS的基本思想32-33
• 3.3.2 PLS的建模33-35
• 3.3.3 简单PLS算法35-36
• 3.3.4 PLS空间滤波器的设计36-37
• 3.4 空间滤波算法对比37-40
• 3.4.1 分类结果对比37-39
• 3.4.2 判别特征对比39-40
• 3.5 本章小结40-41
• 4 SSVEP的频率识别算法41-59
• 4.1 现有的SSVEP频率识别算法41-45
• 4.1.1 功率谱密度分析41-42
• 4.1.2 典型相关分析42-43
• 4.1.3 基于LASSO稀疏表征的SSVEP频率识别模型43-45
• 4.2 基于偏最小二乘回归的SSVEP频率识别45-50
• 4.2.1 基于PLS的SSVEP频率识别算法及D-PLS模型45-46
• 4.2.2 基于PLS的SSVEP频率识别结果分析46-50
• 4.3 基于联合判别算法的SSVEP频率识别模型50-57
• 4.3.1 联合判别算法的可行性及必要性50-51
• 4.3.2 基于PSD、CCA及PLS的联合判别算法51-53
• 4.3.3 实验结果分析53-57
• 4.4 本章小结57-59
• 5 全文总结及展望59-61
• 5.1 全文总结59-60
• 5.2 展望60-61
• 致谢61-62
• 参考文献62-67
• 附录67
• 附录A. 参加科研情况67
• 附录B. 发表论文情况67

【共引文献】

中国期刊全文数据库 前10条

1 杨晓莉;;结合PCA与ICA的Munsell色卡光谱反射比重建[J];湖北民族学院学报(自然科学版);2010年02期

2 李大扣;董飞胜;李晓辉;;基于紧缩处理独立分量分析的多用户检测[J];信息技术;2008年12期

3 乔梁;赵立权;杨莘元;廖艳苹;;扩展的快速独立分量分析算法[J];哈尔滨工程大学学报;2009年07期

4 李常有;徐敏强;高晶波;王日新;;基于独立分量分析的滚动轴承故障诊断[J];哈尔滨工业大学学报;2008年09期

5 查君君;何辅云;胡浪涛;;基于独立分量分析的缺陷信号除噪[J];合肥工业大学学报(自然科学版);2007年10期

6 陈志刚;张来斌;王朝晖;梁伟;;基于ICA技术和波形结构模式识别的管线泄漏诊断方法[J];化工自动化及仪表;2007年02期

7 彭佩星;王保良;李海青;;基于ICA和ES-SVM的油气两相流空隙率测量[J];化工自动化及仪表;2007年04期

8 刘立君;于忠伟;兰虎;高洪明;;MIG焊电弧声ICA信噪分离技术[J];焊接学报;2010年04期

9 冯冰;马建仓;程存虎;赵述元;;航空发动机振动信号盲分离研究[J];航空制造技术;2009年03期

10 苏国东;黄小红;陈曾平;;基于独立分量分析的ISAR图像特征提取方法[J];火力与指挥控制;2011年03期

中国博士学位论文全文数据库 前10条

1 乔梁;信源定位的可观测性及跟踪技术研究[D];哈尔滨工程大学;2010年

2 陆满君;通信辐射源个体识别与参数估计[D];哈尔滨工程大学;2010年

3 苏日建;信息测量系统及其若干问题的研究[D];华中科技大学;2010年

4 康锋;基于视觉特征的早期农林火灾检测方法的基础研究[D];浙江大学;2010年

5 张海龙;110～220kV XLPE电缆绝缘在线检测技术研究[D];武汉大学;2009年

6 李灯熬;基于循环平衡理论的盲源分离算法[D];太原理工大学;2010年

7 廖渝;预期误差与意图理解：发展及神经机制[D];西南大学;2011年

8 李伟;复杂网络特征结构的挖掘方法研究[D];南京理工大学;2010年

9 李昌利;盲源分离的若干算法及应用研究[D];西安电子科技大学;2010年

10 张延良;线性混合盲信源分离的算法研究[D];西安电子科技大学;2011年

  本文关键词：基于稳态视觉诱发电位的脑机接口的研究，，由笔耕文化传播整理发布。

本文编号：257632