当前位置:主页 > 医学论文 > 急救学论文 >

脑—机接口中的SSVEP信号处理方法研究

发布时间:2017-10-24 02:13

  本文关键词:脑—机接口中的SSVEP信号处理方法研究


  更多相关文章: 脑-机接口 SSVEP 特征提取 希尔伯特-黄变换 典型相关分析


【摘要】:脑-机接口(BCI)是一种不依赖大脑常规信息输出通道的全新交互方式,未来在帮助脑损伤病人上具有很高的潜在价值。目前,脑-机接口特别是基于稳态视觉诱发电位(SSVEP)的脑-机接口由于信息传输率高、不需要训练等优点,受到越来越多人的关注。但是基于SSVEP的BCI系统对刺激方式过于敏感,因此如何有效地对SSVEP信号进行处理,将直接影响BCI系统的性能。本课题是采用频谱特征方法、小波变换、希尔伯特-黄变换(HHT)和典型相关分析(CCA)对不同刺激个数和刺激距离情况对SSVEP信号处理影响的研究。具体主要工作如下:首先,本文设计了一套能够快速设定刺激个数和刺激距离的基于LCD显示器的刺激器方案,为课题研究奠定了基础。在此基础上,本文采用FFT、短时傅里叶变换(STFT)和AR模型从频谱特征角度对SSVEP进行特征提取研究。实验表明,FFT和STFT比AR模型更适合用于分析刺激频率之间的关系。其次,本文对基于小波变换和HHT的SSVEP特征提取进行研究,分析不同刺激个数对特征提取的影响。针对经验模态分解容易产生“模态混叠”等缺点,本文提出一种结合小波包的改进HHT方法。实验表明,改进HHT方法对SSVEP的特征提取和识别效果要优于小波包和HHT方法。此外,实验还表明,随着刺激个数增加,刺激之间的竞争更加激烈,目标刺激频率受抑制更为显著,增大了特征提取难度。最后,本文采用典型相关分析(CCA)对不同刺激距离和不同刺激个数情况下的SSVEP识别效果进行研究。其中,通过比较CCA和Mset CCA的识别效果,分析了两种参考信号构造方式的影响因素。为了提取SSVEP中的有效成分,本文提出一种结合小波包的改进CCA算法。实验结果一方面表明,改进CCA算法很大程度上提高了对SSVEP信号的识别准确率。另一方面表明,随着刺激距离的减小或刺激个数的增加,刺激之间的竞争关系逐渐增强,目标刺激频率受抑制作用增大,进而增大了识别的难度。最后分析了基于FFT、小波包、HHT、改进HHT、CCA和改进HHT的SSVEP识别效果,结果表明,改进CCA分析的识别效果最好,且其他算法都比FFT好。
【关键词】:脑-机接口 SSVEP 特征提取 希尔伯特-黄变换 典型相关分析
【学位授予单位】:华南理工大学
【学位级别】:硕士
【学位授予年份】:2015
【分类号】:R651.15;TN911.7
【目录】:
  • 摘要5-6
  • Abstract6-11
  • 第一章 绪论11-18
  • 1.1 脑-机接口的基本理论11-13
  • 1.1.1 脑-机接口的定义11
  • 1.1.2 脑-机接口的脑电信号模式11-13
  • 1.2 脑-机接口系统的结构13-15
  • 1.3 脑-机接口的研究现状及意义15-17
  • 1.3.1 脑-机接口的研究现状15-16
  • 1.3.2 脑-机接口的研究意义16-17
  • 1.4 本文研究内容17-18
  • 第二章 基于SSVEP的BCI系统方案设计18-26
  • 2.1 视觉诱发电位产生原理18-19
  • 2.2 视觉刺激器设计19-22
  • 2.2.1 刺激器种类19-20
  • 2.2.2 刺激频率的选择20-21
  • 2.2.3 其他刺激参数选择21-22
  • 2.3 LCD刺激器的实现22-24
  • 2.4 脑电信号采集系统及实验方案简介24-25
  • 2.4.1 脑电信号采集系统24
  • 2.4.2 实验方案介绍24-25
  • 2.5 本章小结25-26
  • 第三章 基于频谱方法的SSVEP特征提取26-45
  • 3.1 SSVEP信号的预处理26-27
  • 3.2 快速傅里叶变换27-29
  • 3.2.1 离散傅里叶变换27-28
  • 3.2.2 快速傅里叶变换28-29
  • 3.3 STFT理论基础29-32
  • 3.3.1 STFT的定义29-30
  • 3.3.2 时频参数的选择30-32
  • 3.4 基于AR模型功率谱估计32-38
  • 3.4.1 AR模型功率谱估计原理32-34
  • 3.4.2 AR模型系数的求解算法34-36
  • 3.4.3 AR模型定阶问题思考36-38
  • 3.5 实验结果与分析38-43
  • 3.6 本章小结43-45
  • 第四章 基于小波变换和HHT的SSVEP特征提取45-68
  • 4.1 小波变换基本理论45-52
  • 4.1.1 连续小波变换45-47
  • 4.1.2 离散小波变换47-48
  • 4.1.3 多分辨分析48-49
  • 4.1.4 小波包分析49-52
  • 4.2 希尔伯特黄变换理论基础52-57
  • 4.2.1 固定模态函数52-53
  • 4.2.2 经验模态分解53-55
  • 4.2.3 Hilbert谱55-57
  • 4.3 结合小波包的改进HHT分析方法57-61
  • 4.3.1 EMD的模态混叠现象58-59
  • 4.3.2 改进的小波包结合HHT分析方法59-61
  • 4.4 实验结果与分析61-66
  • 4.5 本章小结66-68
  • 第五章 基于典型相关分析的SSVEP信号识别68-85
  • 5.1 典型相关分析的概述68-69
  • 5.2 典型相关分析的数学表示与算法求解69-72
  • 5.2.1 典型相关分析的数学表示69-70
  • 5.2.2 典型相关分析的算法求解70-72
  • 5.3 基于CCA的SSVEP信号识别72-78
  • 5.3.1 CCA识别SSVEP信号的基本思想72-73
  • 5.3.2 基于MsetCCA的SSVEP信号识别73-75
  • 5.3.3 CCA与MsetCCA的实验识别效果分析75-78
  • 5.4 结合小波分析的改进CCA算法78-79
  • 5.5 实验结果与分析79-83
  • 5.6 本章小结83-85
  • 结论85-87
  • 参考文献87-92
  • 攻读硕士学位期间取得的研究成果92-93
  • 致谢93-94
  • 附件94

【参考文献】

中国期刊全文数据库 前2条

1 黄漫玲;吴平东;殷罡;刘莹;;基于稳态视觉诱发电位的脑-机接口实验研究[J];北京理工大学学报;2008年11期

2 吴正华;尧德中;;不同颜色单色光产生的稳态视觉诱发电位的比较[J];生物医学工程学杂志;2008年05期

中国博士学位论文全文数据库 前2条

1 吴正华;稳态视觉诱发电位在脑机接口及认知过程中的应用研究[D];电子科技大学;2008年

2 张杨松;基于稳态视觉诱发电位的脑机制及脑—机接口研究[D];电子科技大学;2013年

中国硕士学位论文全文数据库 前3条

1 石倩;基于稳态视觉诱发电位的脑—机接口研究与设计[D];大连理工大学;2009年

2 郑军;基于稳态视觉诱发电位的脑—机接口实现与研究[D];华南理工大学;2012年

3 李梅;模拟阅读BCI信号空时特征提取与模式识别[D];中南民族大学;2013年



本文编号:1086532

资料下载
论文发表

本文链接:https://www.wllwen.com/yixuelunwen/jjyx/1086532.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户ef1b9***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com