脑机接口中想象运动分类算法的研究

发布时间：2017-05-11 20:09

  本文关键词：脑机接口中想象运动分类算法的研究，由笔耕文化传播整理发布。

【摘要】： 随着人口的老龄化和残疾人数量的不断增多，普通的感觉反应通道有时不能满足这部分人的需求，因此对脑科学的研究需求也就越来越迫切，人们渴望能够通过对脑科学及相关领域的研究来克服人类自身的缺陷和不足。最近几年，脑机接口的研究在脑科学的研究中脱颖而出，它提供给使用者一种区别于普通大脑-神经-肌肉方式的实现人与外界通讯的通道。这种设备能够使残疾人和肢体运动困难的老年人重新获得与外界交流的能力。 在脑机接口的研究中基于脑电信号的脑机接口以其简单、安全、无创而备受人们的关注。本文研究的就是基于左右手想象运动的脑机接口系统中脑电信号的分类识别问题。 本文在前人研究成果的基础上，通过对组成脑机接口的各个部分的介绍、研究及创新，构建了一个基于左右手想象运动的脑机接口框架。本文主要对以下几个方面进行了研究： 1)在实验室已有的脑电采集设备及软件基础上，针对课题研究的特性，设计出符合课题需要的脑电采集实验。按照实验要求，使用VC++6.0设计出相应的脑电采集软件MIEEG。本文设计的软件，既可以与实验室已有软件SDUND相结合作为其中的一个实验提供给普通的脑电研究人员使用，又可以独立出来单独作为想象运动的脑电采集程序。考虑到以后的研究，软件中预留出了可扩展的空间。 2)通过选择合适的电极及导联方式，并结合大脑的功能分区对脑电采集的具体部位进行最终确定。对于采集到的脑电信号，通过数据预处理进行频域滤波以选择对于想象运动敏感的频段，在该频段内通过去均值化处理等方法以减小误差。再通过时域滤波提取最为敏感的时间段，在该时间段内提取出脑电特征并将其量化。本文采用的脑电特征是对想象运动比较敏感的事件相关同步／去同步。对于该特征，本文量化了两个特征值有效场强M和空间复杂度Ω，为了提高分类准确率，本文对特征值Ω进行了差值化处理，使其更加有利于分类。 3)通过对目前常用的两种分类器—Fisher判别函数和支持向量机的介绍，阐述了他们的构造原理及公式推导。本文着重对支持向量机的构造过程进行了详细描述，对构造过程中的核函数和参数选择也进行了详细地分析。对于两个特征在输入支持向量机时的组合方式，本文提出了采用模拟人类思考方式的人工神经网络方法，通过与普通方法的比较可以看出本文所采用的方法其分类正确率较高。 本课题在算法研究阶段采用2003年国际BCI竞赛数据，在算法验证阶段采用本课题设计的MIEEG软件采集的数据，对于提取的脑电特征，支持向量机的分类正确率分别可达87.1％和82.8％，而Fisher判别函数法的分类正确率为81.2％和76.6％。研究结果表明，对于左右手想象运动，支持向量机的分类效果比Fisher判别函数法优良。
【关键词】：脑机接口 想象运动 事件相关同步/去同步 Fisher判别函数 支持向量机
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2007
【分类号】：R318
【目录】：

• 摘要7-9
• ABSTRACT9-11
• 第一章 绪论11-21
• 1.1 引言11-12
• 1.2 脑机接口的结构12-14
• 1.3 脑机接口的发展14-18
• 1.3.1 国外BCI研究的思路15-18
• 1.3.2 国内BCI研究的现状18
• 1.4 脑机接口研究的意义18-19
• 1.5 主要工作与各章节的安排19-21
• 第二章 脑电信号21-30
• 2.1 脑电信号的产生21-24
• 2.1.1 大脑的生理结构21-22
• 2.1.2 大脑的功能分区22-23
• 2.1.3 脑电活动的根源23
• 2.1.4 脑电波的产生23-24
• 2.2 脑电信号的特点24-25
• 2.3 脑电信号的分类25-28
• 2.3.1 诱发脑电25-26
• 2.3.2 自发脑电26-28
• 2.3.3 自发脑电与诱发脑电的区别28
• 2.4 脑电图28-29
• 2.5 小结29-30
• 第三章 BCI系统及软件介绍30-40
• 3.1 BCI系统分类30-31
• 3.2 BCI中脑电采集方式31-32
• 3.3 电极导联32-34
• 3.4 BCI软件设计34-38
• 3.4.1 实验设计35
• 3.4.2 软件设计35-38
• 3.5 小结38-40
• 第四章 脑电信号特征提取40-52
• 4.1 脑电信号的非线性模型40
• 4.2 脑电特征选择40-43
• 4.2.1 ERD/ERS描述41-42
• 4.2.2 ERD/ERS的空间分辨率42-43
• 4.3 脑电信号功率谱分析43-46
• 4.3.1 经典谱估计43-44
• 4.3.2 现代谱估计44-46
• 4.4 零相位数字滤波46-47
• 4.5 量化特征值47-49
• 4.5.1 量化特征值147-48
• 4.5.2 量化特征值248-49
• 4.6 时域滤波49-50
• 4.7 数据处理流程图50-51
• 4.8 小结51-52
• 第五章 脑电特征的模式识别52-65
• 5.1 Fisher线性判别式模式识别52-56
• 5.2 支持向量机模式识别56-58
• 5.2.1 支持向量机的理论基础56
• 5.2.2 支持向量机的分类原理56-58
• 5.3 分类过程58-61
• 5.3.1 数据预处理58-59
• 5.3.2 选择核函数59
• 5.3.3 选择核参数和误差惩罚因子59-61
• 5.4 分类结果61-64
• 5.5 小结64-65
• 第六章 工作总结与展望65-67
• 6.1 工作总结65
• 6.2 工作展望65-67
• 参考文献67-71
• 致谢71-72
• 硕士期间参加项目及发表论文72-73
• 学位论文评阅及答辩情况表73

【引证文献】

中国硕士学位论文全文数据库 前7条

1 李芳;脑机接口中脑电信号特征提取及分类算法研究[D];大连理工大学;2010年

2 刘辉;基于视觉诱发的P300脑电信号处理算法研究[D];广东工业大学;2011年

3 黄安湖;P300脑电诱发电位的分类识别及在脑机接口中的应用[D];山东大学;2008年

4 龚磊;运动想象电位特征提取及识别方法研究[D];大连理工大学;2012年

5 黄丹丹;基于DIVA模型脑电信号的时频分析[D];南京邮电大学;2013年

6 陈悦;关于“脑—计算机”中脑电信号分类的研究[D];南京邮电大学;2013年

7 周静;专业运动训练对大学生脑电影响的研究[D];南京师范大学;2013年

  本文关键词：脑机接口中想象运动分类算法的研究，由笔耕文化传播整理发布。

，

本文编号：357970