基于脑电信号的网页浏览脑—机接口系统

发布时间：2017-10-13 00:13

  本文关键词：基于脑电信号的网页浏览脑—机接口系统

  更多相关文章： 稳态视觉诱发电位 运动想象 支持向量机 网页浏览脑-机接口

【摘要】：脑电信号(Electroencephalogram, EEG)是细胞群自发性、有节律性的电活动，能有效反映人的意识活动，并可通过电极记录下来，通过分析脑电信号，即可解读大脑信号，了解人的意识活动。脑-机接口(Brain-Computer Interfaces, BCIs)以采集到的脑电信号为输入信号，实现了人脑与外界（计算机或外部设备）的直接交流和控制，而不依赖于外周神经和肌肉组织等正常通道。脑-机接口技术为人类与外界的交流提供了新途径，因其重要的理论研究价值和广泛的实际应用前景，引发全世界的关注，成为研究热点之一。 本文主要对脑电信号处理方法进行了研究，并基于脑电信号的离线分析建立了一套在线的网页浏览脑-机接口系统。离线分析阶段主要对稳态视觉诱发电位、α波以及运动想象三种脑电信号的采集和信号处理进行了深入研究。搭建脑-机接口系统，首先需要采集脑电信号，在脑电信号的采集部分，分别对脑电信号、采集准备、电极安放位置、以及导联方式进行了阐述，设计实验流程采集上述三种脑电信号并保存备用。采集到的原始脑电往往包含了很强的噪声干扰，，为得到纯净的脑电信号，需要对采集的脑电信号进行预处理，预处理部分采用FIR带通滤波器对原始脑电信号进行滤波，对运动想象脑电信号采用独立分量分析方法去除眼电伪迹，有效提高了信噪比。为了将不同的脑电信号分类识别，转化成控制命令，需要对预处理过的信号进行特征提取，信号的特征提取和模式识别是脑-机接口系统的核心，决定了系统性能的好坏。特征提取部分针对脑电信号各自的特点和复杂程度，选用不同的方法进行特征提取，即采用快速傅里叶变换对稳态视觉诱发电位进行特征提取，采用短时傅里叶变换和小波包分解对四类运动想象脑电信号进行特征提取，并计算出相应频率的能量作为分类的特征向量。模式识别部分分别用线性分类器和多分类支持向量机对经过预处理和特征提取得到的脑电信号进行分类，对两种分类器的分类结果进行对比分析，选出理想的特征提取和分类方法，为搭建在线网页浏览系统提供依据。最后用LabVIEW软件搭建在线系统，设计诱发脑电和自发脑电两种实验范式，实现了两种模式下的网页浏览脑-机接口系统，受试者可通过该系统完成光标控制和简单的网页浏览任务。
【关键词】：稳态视觉诱发电位 运动想象 支持向量机 网页浏览脑-机接口
【学位授予单位】：天津职业技术师范大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：R338;TN911.7
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-15
• 1.1 课题研究背景9-10
• 1.2 课题研究目的及意义10-11
• 1.2.1 研究目的10
• 1.2.2 研究意义10-11
• 1.3 课题研究现状11-13
• 1.3.1 国内外研究现状11-13
• 1.3.2 研究中存在的问题与面临的挑战13
• 1.4 课题主要研究内容13-15
• 第2章 脑电信号的采集15-24
• 2.1 脑电信号15-16
• 2.1.1 脑电信号的产生机理15
• 2.1.2 脑电信号的特点15-16
• 2.1.3 脑电信号的分类16
• 2.2 采集准备及电极安放16-18
• 2.3 导联方式选择18
• 2.4 脑电信号的采集18-24
• 2.4.1 脑电信号的采集系统18-19
• 2.4.2 受试对象和实验环境19
• 2.4.3 稳态视觉诱发电位的采集19-20
• 2.4.4 α波的采集20-21
• 2.4.5 运动想象脑电信号的采集21-24
• 第3章 脑电信号的预处理24-30
• 3.1 脑电信号的噪声和干扰源24
• 3.2 滤波24-27
• 3.2.1 滤波器的分类24-25
• 3.2.2 滤波器的设计25
• 3.2.3 基于最优设计法的 FIR 带通滤波器25-26
• 3.2.4 脑电信号的滤波26-27
• 3.3 去除眼电伪迹27-30
• 3.3.1 独立分量分析28
• 3.3.2 基于 FastICA 的眼电伪迹去除28-30
• 第4章 脑电信号的特征提取方法研究30-45
• 4.1 常用的脑电信号特征提取算法30
• 4.2 SSVEP 的特征提取30-33
• 4.2.1 快速傅里叶变换31-32
• 4.2.2 基于快速傅里叶变换的 SSVEP 特征提取32-33
• 4.3 运动想象脑电信号的特征提取33-45
• 4.3.1 短时傅里叶变换33-36
• 4.3.2 基于短时傅里叶变换的运动想象脑电信号的特征提取36-38
• 4.3.3 小波包分解38-40
• 4.3.4 基于小波包分解的运动想象脑电信号的特征提取40-45
• 第5章 脑电信号的模式识别方法研究45-55
• 5.1 分类器的设计45
• 5.2 线性分类器45-47
• 5.2.1 线性判别函数45-46
• 5.2.2 Fisher 线性判别函数46-47
• 5.3 支持向量机47-51
• 5.3.1 最优分类面47-48
• 5.3.2 线性可分支持向量机48-49
• 5.3.3 非线性可分支持向量机49-51
• 5.3.4 多分类支持向量机51
• 5.4 脑电信号的分类结果与分析51-55
• 5.4.1 基于线性分类器的分类结果51-53
• 5.4.2 基于支持向量机的分类结果53-55
• 第6章 脑电信号控制网页浏览系统的实现55-64
• 6.1 任务描述与实验范式55
• 6.1.1 任务描述55
• 6.1.2 实验范式设计55
• 6.2 系统设计55-60
• 6.3 实验流程60-62
• 6.4 实验结果与分析62-64
• 第7章 总结与展望64-66
• 7.1 总结64
• 7.2 展望64-66
• 参考文献66-71
• 致谢71-72
• 申请学位期间的研究成果及发表的学术论文72

【参考文献】

中国期刊全文数据库 前10条

1 赵海滨;王宏;李春胜;;基于Alpha波的异步脑-机接口系统[J];东北大学学报(自然科学版);2009年10期

2 王登;苗夺谦;王睿智;;一种新的基于小波包分解的EEG特征抽取与识别方法研究[J];电子学报;2013年01期

3 张巩;;基于字符匹配度的SVM多分类器设计[J];信息安全与技术;2014年01期

4 黄璐;王宏;;基于约束独立分量分析的脑电特征提取[J];东北大学学报(自然科学版);2014年03期

5 李明爱;李骧;杨金福;郝冬梅;;基于小波包法与CSSD的P300特征提取方法[J];北京工业大学学报;2014年04期

6 张磊邦;唐荣斌;蒋建波;张帅;池宗琳;王威廉;;基于小波变换的心音特征值提取算法研究[J];电子测量技术;2014年06期

7 黄世瑜;施尚英;;基于LabView2013实现FFT傅里叶变换[J];四川职业技术学院学报;2014年02期

8 李红蕾;吴汉炜;谭毓银;;基于BP神经网络的隐写分析分类器设计[J];信息安全与技术;2014年09期

9 白洁;;基于LabVIEW的虚拟数字滤波器的实验设计[J];高校实验室工作研究;2014年03期

10 许同乐;侯蒙蒙;蔡道勇;薛磊江;;FastICA遗传神经网络算法[J];北京邮电大学学报;2014年04期

中国博士学位论文全文数据库 前5条

1 刘铁军;脑电信号中眼电伪迹去除方法研究[D];电子科技大学;2008年

2 吴婷;自发脑电脑机接口模式识别关键技术与实验研究[D];上海交通大学;2008年

3 施锦河;运动想象脑电信号处理与P300刺激范式研究[D];浙江大学;2012年

4 李俊华;脑活动状态EEG信号解码方法及其应用[D];上海交通大学;2012年

5 朱凡;大鼠压杆实验系统设计及运动皮层神经解码研究[D];浙江大学;2012年

本文编号：1021732