基于LM算法的脑电信号分类研究

发布时间：2020-06-15 15:05

【摘要】：脑机接口(Brain Computer Interface,BCI)是一种不依赖于外部神经和肌肉,直接将脑电信号(Electroencephalogram,EEG)转化为控制指令控制外部设备运行的通讯系统。世界上由于各种事故导致身体失去运动能力的人很多,大多数残疾人活动空间有限,通常只能在病床和轮椅上活动。BCI的诞生为他们实现与外部的交流提供了可替代手段。此外,BCI在军事、脑科学等领域应用广泛,近些年来已成为人工智能的热点。具有广阔的市场范围和极大的社会价值。目前国内外脑机接口主流研究方向有稳态视觉诱发电位、P300电位、慢皮层电位、运动想象等方式,其中前三种是通过外界刺激产生脑电信号,诸如视觉刺激、体感刺激等诱发电脑产生一定规律的信号,然后对诱发信号进行处理和分类。运动想象则是人体自发产生有关动作意向的信号,具有实际意义,其中奥地利Graz科技大学的研究团队是这一领域的先驱。时至今日,基于运动想想模式的BCI系统已应用到生活中,诸如脑控赛车、脑控游戏等,本文研究方向即为运动想象模式。本文围绕课题研究基于运动想象模式下的脑机接口系统,分析四种运动想象任务的脑电信号分类情况,课题研究主要在EEG信号采集、特征值提取、模式分类等方面开展工作。首先,以2008年BCI竞赛信号采集方式为本次实验范式,利用Emotive Epoc+采集EEG信号并对EEG信号进行滤波处理,然后利用主成分分析提取EEG信号特征值,基于标准BP算法的不足和局限性,分别采用改进算法Levenberg Marquardt(LM)方法、自适应lr梯度法、有动量梯度下降法三种方法对所提取信号特征值进行分类比较。最后设计算法验证方案,基于MATLAB GUI平台设计交互界面、编写回调函数,通过蓝牙串口与Arduino智能车链接验证算法的可行性。针对信号分类:采用自适应lr梯度法和动量梯度下降法对EEG信号进行分类的平均误差为0.0207和0.0328,分类准确率分别为52%、49%。而LM算法的平均误差为5.6306×10~(-7),分类准确率为86%。实验结果表明LM算法的分类效果最好,所设计串口通信界面与Arduino小车通信效果良好,为进一步研究在线脑机接口系统奠定了基础。
【学位授予单位】：山东农业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP18;R318
【图文】：

结构示意图

提供一种崭新的娱乐方式。目前市场上一些脑控产品，诸如脑控术方面相对成熟，开发成本不高，操作简单，赢得广大人群的喜城市已开展此类娱乐设施，极大丰富了人们的精神文化生活，提。开了增强人类控制周围环境的能力，极有可能引发人类大脑意识式的革命（蔡燕福，2015），为进一步增强大脑认知和研究神经探索方向。实践证明研究脑机接口对现在以及未来具有极大的研接口概述在人或者动物与外部设备之间创建的连通通道，是一种不依赖于外周神经系统及肌肉组织)的脑-机(计算机或其它装置)通讯系统。信号预处理、特征值提取、模式识别、控制应用五部分构成，如图

人脑结构,脑干,小脑,大脑

人脑结构

【参考文献】