基于中潜伏期听觉诱发电位的脑—机接口研究

发布时间：2020-05-03 14:45

【摘要】：脑-机接口技术在全球被广泛地研究,尤其是它可以帮助瘫痪或残疾病人重建运动控制和对外交流的能力。当前基于视觉诱发脑电的脑-机接口系统技术已应用比较广泛。但是,对于一些视觉系统损伤的患者来说,视觉刺激具有局限性,所以他们使用视觉脑-机接口系统就非常困难。有幸的是,大多数视觉障碍患者的听觉系统往往是完好的,所以研究听觉诱发电位的脑-机接口系统具有潜在价值。然而,目前基于听觉诱发电位的脑-机接口研究还处于初级阶段,现有系统还存在许多缺陷。为此,设计一种新的听觉脑-机接口范式是一件非常有意义的工作。本文针对原来常用的实验范式采用较多的电极且诱发时间较长等问题,设计了一种基于听觉诱发中潜伏期反应的实验范式。首先在两种状态下(注意和非注意)诱发出相应的中潜伏期波形。然后使用db10小波变换对数据进行6层小波分解预处理。由于滤波之后的数据仍然可能存在肌电、眼电等干扰,所以本文还会使用相干平均算法对数据再次滤波。经过最后实验对比,证明了所用滤波是有效的。由于预处理后的听觉诱发电位(Auditory Evoked Potential,AEP)数据仍是高维向量,接下来使用特征提取算法对所采集的数据进行降维处理。本文基于自回归模型(Autoregressive Model,AR),通过Burg算法提取AR模型系数。再分别计算中潜伏期反应的能量、方差、面积、AR模型系数和波形峰值作为特征。这为后面使用模式识别分类算法提供了基础。最后,我们使用支持向量机(Support Vector Machine,SVM)和人工神经网络(Artificial Neural Network,ANN)分类算法分别对离线数据进行分类识别,并统计了8位受试者的分类准确率。实验结果表明:在组合特征_1v,_2v,_3v下,基于ANN的分类准确率比SVM的分类准确率分别高出10.7%、8.7%、11.1%。其中使用组合特征_1v和ANN的分类准确率最优,达到了84.7%。基于上面的结果,可以得出本文设计的实验范式是有效的,且对于大部分受试者的效果较理想。这为今后把此实验范式应用到脑机-接口中打下了坚实的基础。
【图文】：

理由,归一化,算法,支持向量机

图 2-4 归一化的理由归一化算法可以用以下式表示：minmax minxy (2-18)式中，x 表示输入，y 表示输出。归一化算法首先是找出该矩阵中的最值。本使ATLAB 进行代码的实现的时候，先使用 tramnmx 处理函数，再使用 premnmx 函数们输入的原始样本进行归一化处理。.3.3 支持向量机支持向量机(Support Vector Machine, SVM)是在统计学习理论以及结构风险最小基础上发展起来的一种新型机器学习方法，它可以很好地处理非线性、以及维数高题[39][40]。支持向量机工作的机制就是要找到一个最优的平面，其实这个平面就是区类样本的分类面。并且这个分类面要准确的把我们两类不同的样本分类。同时要求

频谱,电极位置

通道为同侧。声音的重复率为1.1次/s，带通滤波为10~ 100Hz，，数据扫描时间为500ms，迭代的数据次数为80次。4个电极将在本实验仪器使用，其中发际中心位置是数据采集电极，左右耳乳突是左右参考电极，眉心放接地电极，实验电极位置图如图3-4所示。实验中四个电极的阻抗匹配小于等于5kΩ。图3-4 电极位置图3.3 小波去噪的应用与分析Suzuki[45]等认为 MLR 的频谱主要集中在30~50Hz ，而 Lane 发现 MLR 的主要频段在30~ 200Hz。为此，本文经过连续的调节滤波范围的方式，确定了 MLR 的关键的频段，以及联系本实验范式所采集到的数据各潜伏期的特点，通过计算得出中潜伏期的频谱范围在10~150Hz之间，再加上我们实验数据的采样率为 1200 Hz ,所以本文采用 6
【学位授予单位】：广州大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R318;TP18

【参考文献】