基于EEG-NIRS的少通道脑机接口研究

发布时间：2017-10-09 13:10

  本文关键词：基于EEG-NIRS的少通道脑机接口研究

  更多相关文章： 脑机接口 脑电图 功能近红外 源定位 特征提取 数据融合 支持向量机 误差反向传播神经网络

【摘要】：脑机接口(brain-computer interface, BCI)是目前被广泛关注的一个重要研究方向,其目的是建立一个大脑与外部环境之间信息交互和控制的通道。目前脑机接口的研究越来越趋于实用化和可穿戴化。而基于运动想象的BCI由于其不需要借助外界刺激,属于独立型BCI,因而一直以来都是BCI研究中的热点。双模态BCI由于其信号的独立和互补性,为建立少通道的便携BCI系统提供可能。本文主要研究了基于脑电(electroencephalography, EEG)-近红外(near-infrared spectroscopy, NIRS)的双模态少通道运动想象BCI系统,探讨了该双模态BCI从实验范式到模式分类的整体过程。并取得了如下的研究成果：(1)本文首先根据EEG、NIRS运动想象信号产生的生理机制,采用溯源方法,从大脑皮层激活的层面定位左右手运动想象激活的主要脑部区域为Brodmann分区中的辅助运动区6区。从而从信号源层面上确定少通道EEG-NIRS BCI系统的通道排布,即EEG通道为10-20系统对应的C3, CZ, C4, NIRS通道则布置为C3和C4周边各3对发射极和接收极。(2)为了更好的提取少通道BCI特征,本文在运用共同空间模式(common spatial patterns, CSP)方法进行空间滤波前,先利用相空间重构(phase space reconstruction, PSR)方法对3通道EEG信号进行了通道扩展。为了检验该方法的有效性,本文利用2005 BCI竞赛数据集IIIa的3通道数据分别经CSP方法和PSR+CSP方法提取后的特征运用同种分类器进行四分类。结果发现：仅利用CSP方法特征提取分类正确率为43.0%,而PSR+CSP方法特征提取正确率提高到73.9%。而对于本实验采集的数据,CSP方法特征提取分类正确率为60.7%,而PSR+CSP方法特征提取正确率提高到74.7%。而对于本文自采的少通道EEG数据分别经CSP方法和PSR+CSP方法提取后的特征运用同种分类器分类,发现PSR+CSP方法得到的正确率比CSP方法高出约15%。说明PSR+CSP方法能够有效的提取少通道BCI特征。(3)本文探讨了基于数据融合的双模态信号模式分类,尝试了基于支持向量机(support vector machine, SVM)的特征层融合和基于误差反向传播(back propagation,BP)神经网络的决策层融合,其中利用SVM对EEG, NIRS信号进行特征层融合取得了更好的分类结果。基于SVM的双模态特征层融合BCI系统平均正确率达81.2%,最高正确率100%,比任一单模态正确率都高。且由于采用数据融合技术,使得对某种脑信号采集技术反应不明显的被试,能够在另一种技术上得到补充,从而使得本文的最低正确率从EEG单模态最低58.3%、NIRS单模态最低43.1%,提高到双模态最低75.0%。并且基于SVM的特征层融合将融合和决策同时进行,从而节省了系统信号处理的时间提高了响应速度。采用双模态数据融合建立BCI系统,提高了系统的时空间覆盖能力、降低了系统的信息模糊程度,从而使得双模态BCI系统具有良好的鲁棒性、准确性;并有效减少了BCI盲拓展了BCI系统的适用人群。
【关键词】：脑机接口 脑电图 功能近红外 源定位 特征提取 数据融合 支持向量机 误差反向传播神经网络
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN911.7;R318
【目录】：

• 摘要5-6
• Abstract6-11
• 第一章 绪论11-20
• 1.1 脑机接口研究背景11-14
• 1.1.1 脑机接口的定义11
• 1.1.2 脑机接口的组成11-12
• 1.1.3 脑机接口的分类12-14
• 1.2 脑机接口的研究现状14-17
• 1.2.1 单模态脑机接口研究现状14-16
• 1.2.2 多模态脑机接口研究现状16-17
• 1.3 本文的主要研究内容17-18
• 1.4 论文的章节安排18-20
• 第二章 运动想象诱发脑电和血氧变化的生理学基础20-23
• 2.1 大脑皮层及其功能分区20
• 2.2 运动想象诱发脑电的生理学基础20-21
• 2.2.1 脑电的产生及测量机制20-21
• 2.2.2 运动想象诱发的事件相关同步/去同步21
• 2.3 运动想象诱发血氧变化的生理学基础21-22
• 2.3.1 血氧变化的产生及测量机制21-22
• 2.3.2 运动想象诱发的血氧变化22
• 2.4 本章小结22-23
• 第三章 基于运动想象的双模态脑机接口系统实验设计23-27
• 3.1 实验环境23
• 3.2 被试23-24
• 3.3 实验范式24-25
• 3.4 双模态脑机接口信号采集25-26
• 3.4.1 脑电信号采集25-26
• 3.4.2 功能近红外血氧信号采集26
• 3.5 本章小结26-27
• 第四章 运动想象脑功能定位及脑机接口通道选择27-35
• 4.1 运动想象相关脑电源定位及通道选择27-30
• 4.1.1 运动想象相关脑电源定位27-30
• 4.1.2 运动想象脑电通道选择30
• 4.2 运动想象相关功能近红外源定位及通道选择30-34
• 4.2.1 运动想象相关功能近红外源定位30-33
• 4.2.2 运动想象功能近红外通道选择33-34
• 4.3 本章小结34-35
• 第五章 双模态脑机接口系统特征提取35-48
• 5.1 信号预处理35-37
• 5.1.1 脑电信号去噪35
• 5.1.2 血氧信号去躁35-37
• 5.2 脑电信号特征提取37-44
• 5.2.1 现有的常用特征提取算法37-42
• 5.2.2 基于相空间重构的共同空间模式少通道脑电信号特征提取算法42-43
• 5.2.3 脑电特征提取算法对比43-44
• 5.3 血氧信号特征提取44-47
• 5.3.1 血氧变化的幅值特征44-45
• 5.3.2 血氧变化的导数特征45-46
• 5.3.3 血氧变化的趋势效应46-47
• 5.3.4 血氧信号特征提取方法对比47
• 5.4 本章小结47-48
• 第六章 双模态脑机接口系统的模式分类48-61
• 6.1 数据融合方法概述48-50
• 6.2 基于支持向量机的特征层数据融合及分类50-54
• 6.2.1 支持向量机基本原理50-52
• 6.2.2 基于支持向量机的融合及分类52-53
• 6.2.3 特征层融合参数选择53-54
• 6.3 基于神经网络的决策层数据融合及分类54-59
• 6.3.1 神经网络基本原理54-57
• 6.3.2 基于神经网络的融合及分类57-58
• 6.3.3 决策层融合参数选择58-59
• 6.4 单模态模式分类与双模态模式分类的结果比较59-60
• 6.5 本章小结60-61
• 第七章 总结与展望61-63
• 7.1 总结61
• 7.2 展望61-63
• 参考文献63-68
• 致谢68-69
• 在校期间发表论文情况69

【相似文献】

中国硕士学位论文全文数据库 前1条

1 杨情;基于EEG-NIRS的少通道脑机接口研究[D];东南大学;2016年

，

本文编号：1000361