脑机接口信号的多模式识别融合技术研究

发布时间：2017-04-13 02:03

  本文关键词：脑机接口信号的多模式识别融合技术研究，由笔耕文化传播整理发布。

【摘要】：脑电信号是人体大脑产生的一种重要生理电信号。大脑作为人体最神秘、最复杂的器官,一直以来是科学家们的研究重点,脑电信号更是科学家们研究的聚焦点。脑电信号中既包含人体大脑日常活动产生的基本信号,又包含人体大脑根据自发想象或外界刺激所产生的思维信号。无论对人体大脑各个区域详细功能的研究还是对人工智能等相关领域的开发,脑电信号都具有很重要的作用。脑机接口技术指的是在人体的大脑与电脑、轮椅等外围设备之间设立的一条进行信息交流的通道。脑机接口系统既能根据人体大脑产生的脑电信号中包含的思维信号的分析处理结果来简单控制计算机等外围电子设备,达到简单控制外部环境的效果;又能根据外围电子设备的运动,对人体大脑进行相应的外界刺激从而产生新的思维脑电信号,达到重新控制外围电子设备的目的。随着交流障碍患者和肌萎缩性硬化、脊髓损伤等脑疾病患者数目的增多,对这种脑机接口技术的要求不断提高。如何提高脑机接口系统中对相关脑电信号进行分析计算的结果的精度成为困扰科学家们的难题。P300脑电信号是人体的大脑在接受到特定模式的视觉诱发刺激而形成的一种诱发电信号,因其具有形成时间固定、在大脑头皮特定区域能量明显、易于检测等特点而成为脑机接口系统中最常用的一种脑电信号。利用人体大脑根据视觉诱发刺激产生的P300脑电信号作为输入信号的脑机接口系统中,实验者无需经过特别的专项训练就可以达到预定的效果。本课题采用第三届脑机接口数据竞赛组织方提供的P300脑电信号,开展脑机接口信号的多模式识别融合技术研究,以期提高脑机接口系统中脑电信号进行分析计算的结果的精度,促进脑机接口技术的实际工程应用。论文主要开展了以下内容的研究工作:(1).P300脑电信号的预处理过程。P300脑电信号中有用频率主要集中于0-30Hz的范围,因此首先对脑电信号作低通滤波处理,消除高频干扰。然后采用最优加权叠加方法对滤波后的脑电信号进一步处理,以消除脑电信号采集过程中受到相邻电极的相互作用,使得本来准时的波动出现延迟的问题。(2).运用小波变换、AR模型、主成分分析和近似熵等目前使用最广泛的四种算法提取预处理后的脑电信号中包含的特征。小波分解提取电位信号2-8Hz的频段作为测试样本;AR模型主要是构建一个4阶的AR模型,选取其模型的相应系数作为实验需要提取特征;主成分分析对64个通道进行空间解耦,并提取前十个主成分通道作为特征;近似熵算法是对选取的10个通道的信号段进行的近似熵计算值作为特征。(3).运用支持向量机、BP神经网络、径向基神经网络和朴素贝叶斯分类器四种不同类别的分类器对上文提取到脑电特征进行分类训练和测试。支持向量机分类器选用使用范围最广的线性函数作为需要的核函数;BP神经网络分类器基本思路是构建两层神经网络;径向基神经网络分类器能够随意逼近任何非线性函数,有良好的泛化能力和学习收敛速度;朴素贝叶斯分类器是基于独立假设的Bayes定理的简单概率分类器。采用提取出的特征对分类器进行分类训练和测试,最终得到选用支持向量机分类器能够获得最高92.94%的准确率。(4).将四种特征提取算法和四种特征分类算法交叉融合共构成16个脑电信号数据处理模型。分别运用这16种信号处理融合模型对实验提供的P300脑电信号训练后测试,得到不同融合模型的处理准确率。选用多组P300脑电数据处理后,结果表明由小波变换特征提取算法和支持向量机分类器融合构成的模型得到最高识别准确率,平均达到了90%。
【关键词】：脑机接口 P300脑电信号 特征提取 特征分类 模式识别融合
【学位授予单位】：重庆理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN911.7;R338
【目录】：

• 摘要4-6
• ABSTRACT6-11
• 缩略语表11-12
• 1 绪论12-20
• 1.1 课题的研究背景及研究意义12-13
• 1.1.1 脑机接.技术简介12-13
• 1.1.2 脑机接.技术研究意义13
• 1.2 脑机接.系统的组成与分类13-15
• 1.2.1 脑机接.系统的组成13-14
• 1.2.2 脑机接.系统的分类14-15
• 1.3 国内外研究现状15-18
• 1.3.1 脑电信号的研究方法15-16
• 1.3.2 脑电信号的特征提取16-17
• 1.3.3 脑电信号分类识别17-18
• 1.4 本课题各章节内容安排18-20
• 2 脑电信号与P30020-29
• 2.1 脑电信号的概述20-23
• 2.1.1 人脑的结构20-21
• 2.1.2 脑电信号的产生21
• 2.1.3 脑电信号的特点21-22
• 2.1.4 脑电信号的分类22
• 2.1.5 脑电图的科学记录22-23
• 2.2 事件相关电位P30023-25
• 2.3 P300脑电信号数据集25
• 2.4 P300脑电信号预处理25-28
• 2.4.1 低通滤波25-27
• 2.4.2 平均叠加滤波27-28
• 2.5 本章小结28-29
• 3 脑电信号特征提取技术的实现29-43
• 3.1 基于小波变换的特征提取29-34
• 3.1.1 小波分析基本理论30-31
• 3.1.2 小波分析对P300脑电信号特征提取31-34
• 3.2 基于AR模型的特征提取34-37
• 3.2.1 AR模型的构建原理34-35
• 3.2.2 AR模型算法对P300脑电信号特征提取参数选择35-37
• 3.3 基于主成分分析的特征提取37-40
• 3.3.1 主成分分析的原理37-39
• 3.3.2 主成分分析算法对P300脑电信号特征提取39-40
• 3.4 基于近似熵的特征提取40-42
• 3.4.1 近似熵算法的原理40-42
• 3.4.2 近似熵算法对P300脑电信号特征提取42
• 3.5 本章小结42-43
• 4 脑电信号特征分类识别技术的实现43-57
• 4.1 基于支持向量机分类器的信号特征分类43-46
• 4.1.1 支持向量机的原理43-45
• 4.1.2 支持向量机分类器对信号特征进行分类45-46
• 4.2 基于BP神经网络分类器的信号特征分类46-50
• 4.2.1 BP神经网络的原理47-49
• 4.2.2 BP神经网络分类器对信号特征进行分类49-50
• 4.3 基于径向基神经网络分类器的信号特征分类50-53
• 4.3.1 径向基神经网络的原理50-52
• 4.3.2 径向基神经网络分类器对信号特征进行分类52-53
• 4.4 基于朴素贝叶斯分类器的信号特征分类53-56
• 4.4.1 朴素贝叶斯分类器的工作原理53-54
• 4.4.2 朴素贝叶斯分类器对信号特征进行分类54-56
• 4.5 本章小结56-57
• 5 数据处理结果及讨论57-62
• 5.1 基于小波变换算法特征提取的信号处理模型57-58
• 5.2 基于AR模型算法特征提取的信号处理模型58-59
• 5.3 基于主成分分析算法特征提取的信号处理模型59
• 5.4 基于近似熵算法特征提取的信号处理模型59-60
• 5.5 综合分析60-62
• 6 总结与展望62-65
• 6.1 本文的工作总结62-63
• 6.2 展望63-65
• 致谢65-66
• 参考文献66-68
• 个人简历、在学期间发表的学术论文及取得的研究成果68

【参考文献】

中国期刊全文数据库 前3条

1 杨立才,李佰敏,李光林,贾磊;脑-机接口技术综述[J];电子学报;2005年07期

2 万柏坤,高扬,赵丽,綦宏志;脑-机接口:大脑对外信息交流的新途径[J];国外医学.生物医学工程分册;2005年01期

3 石锐;邓炜;何庆华;何相锦;刘佳进;魏雷;;左右手想象运动的脑电信号分类识别[J];微处理机;2010年06期

中国博士学位论文全文数据库 前1条

1 王磊;基于运动想象的脑电信号分类与脑机接口技术研究[D];河北工业大学;2009年

中国硕士学位论文全文数据库 前1条

1 徐江;基于实时脑机接口的无线遥控车系统[D];重庆大学;2010年

  本文关键词：脑机接口信号的多模式识别融合技术研究，由笔耕文化传播整理发布。

，

本文编号：302528