运动想象脑电信号识别的影响因素分析与多域处理方法研究
发布时间：2022-01-12 15:41
脑电信号（EEG）的分析与识别是认知科学、生理学、精神病学等领域的研究热点,在脑疾病诊断、情绪分析、认知障碍分析等领域具有广阔的应用前景。在工程应用方面,EEG被人们用于实现人脑——计算机接口（BCI）,通过对不同感觉、运动或认知活动的EEG进行识别,实现“远程”控制计算机或设备。运动想象EEG作为当前BCI系统的主要研究对象,其分析与识别技术被应用于运动障碍患者的辅助设备研究,因此,开展运动想象EEG的分类识别研究具有重要的实际意义和应用价值。论文首先针对现有研究中,基于运动想象脑电数据集BCI 2003 Ⅲ和BCI 2005 Ⅲa的EEG分析处理方法繁多,数据集BCI 2003 Ⅲ的识别率普遍高于数据集BCI 2005 Ⅲa的现象,以ERD/ERS现象为理论基础,对影响运动想象EEG识别的因素进行了分析,通过实验验证确定了三个主要影响因素:EEG的噪声含量,对运动想象任务的反应程度,左、右脑信号的能量差异。解释了两个数据集识别率存在差异的现象,对选择恰当的EEG处理方法具有指导性作用。其次,基于上述对影响因素的分析,以数据集BCI 2005 Ⅲa为研究对象,为提高数据有效性和分类识...
【文章来源】：东北师范大学吉林省 211工程院校 教育部直属院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
基于BCI系统的运动障碍患者的辅助设备
东北师范大学硕士学位论文7为9s，前2s受试者处于放松状态；第3s系统会有声音提示表明试验开始，并在屏幕上显示一个十字“+”；第4s开始至第9s电脑屏幕上会随机出现一个箭头（指向左或者右），受试者需要根据箭头的指示想象左手或右手运动。脑电数据的采集通过三对差分电极获得，电极的放置遵循国际标准10-20通道系统中C3、Cz、C4三个通道的位置，如图1.3(b)所示。数据的采样频率为128Hz，并经过0.5-30Hz的滤波，数据以.mat文件格式存储[38]。(a)实验时序图(b)电极位置示意图图1.3数据集2003III实验范式2005年BCI竞赛数据集IIIa是由奥地利Graz科技大学BCI实验室公布的四类（左手、右手、脚和舌头）运动想象脑电数据集。该实验共有三名受试者，分别被标记为“k3b”、“k6b”、“l1b”。其中“k3b”受试者每类进行90次试验，共360次；“k6b”和“l1b”受试者每类进行60次试验，共240次试验。实验过程如图1.4(a)所示。每次试验采集的时长为7s，前2s受试者处于静息状态，第3s系统发出蜂鸣提示音并在屏幕上显示一个十字“+”，第4s电脑屏幕上随机显示指向上、下、左、右的箭头，受试者开始根据箭头提示进行想象舌头、脚、左手或者右手运动持续4s，每次试验之间休息3.24s。该数据集的脑电数据由60个通道组成，采集设备是Neuroscan公司的64通道EEG放大器，该放大器的通道位置如图1.4(b)所示。数据的采样频率为250Hz，并经过1-50Hz滤波，所有次试验的数据被连接起来并存储为GDF格式[39]。(a)试验时序图(b)电极位置示意图图1.4数据集2005IIIa实验范式32C3Cz321C415cm
东北师范大学硕士学位论文7为9s，前2s受试者处于放松状态；第3s系统会有声音提示表明试验开始，并在屏幕上显示一个十字“+”；第4s开始至第9s电脑屏幕上会随机出现一个箭头（指向左或者右），受试者需要根据箭头的指示想象左手或右手运动。脑电数据的采集通过三对差分电极获得，电极的放置遵循国际标准10-20通道系统中C3、Cz、C4三个通道的位置，如图1.3(b)所示。数据的采样频率为128Hz，并经过0.5-30Hz的滤波，数据以.mat文件格式存储[38]。(a)实验时序图(b)电极位置示意图图1.3数据集2003III实验范式2005年BCI竞赛数据集IIIa是由奥地利Graz科技大学BCI实验室公布的四类（左手、右手、脚和舌头）运动想象脑电数据集。该实验共有三名受试者，分别被标记为“k3b”、“k6b”、“l1b”。其中“k3b”受试者每类进行90次试验，共360次；“k6b”和“l1b”受试者每类进行60次试验，共240次试验。实验过程如图1.4(a)所示。每次试验采集的时长为7s，前2s受试者处于静息状态，第3s系统发出蜂鸣提示音并在屏幕上显示一个十字“+”，第4s电脑屏幕上随机显示指向上、下、左、右的箭头，受试者开始根据箭头提示进行想象舌头、脚、左手或者右手运动持续4s，每次试验之间休息3.24s。该数据集的脑电数据由60个通道组成，采集设备是Neuroscan公司的64通道EEG放大器，该放大器的通道位置如图1.4(b)所示。数据的采样频率为250Hz，并经过1-50Hz滤波，所有次试验的数据被连接起来并存储为GDF格式[39]。(a)试验时序图(b)电极位置示意图图1.4数据集2005IIIa实验范式32C3Cz321C415cm
【参考文献】：
期刊论文
[1]空间滤波方法在脑-机接口中的应用及研究进展[J]. 王韬,柯余峰,王宁慈,刘文陶,安兴伟,明东. 中国生物医学工程学报. 2019(05)
[2]基于经验模态分解和极限学习机的癫痫脑电提取分类研究[J]. 宋玉龙,赵冕,郑威. 生物医学工程研究. 2019(03)
[3]基于PCA和LDA改进算法的人脸识别技术研究[J]. 刘亮. 无线互联科技. 2019(17)
[4]基于半监督LDA特征子空间优化的人脸识别算法[J]. 纪明君,刘漫丹,才乐千. 计算机工程与科学. 2018(10)
[5]基于S变换和共空间模式的运动想象脑电特征提取[J]. 张文亮,林彬,黄婉露,张学军. 科学技术与工程. 2018(23)
[6]基于自适应无参经验小波变换和选择集成分类模型的运动想象[J]. 何群,王煜文,杜硕,陈晓玲,谢平. 物理学报. 2018(11)
[7]事件相关去同步化和同步化方法在脑电信号分析中的研究进展[J]. 周思捷,白红民. 中国微侵袭神经外科杂志. 2018(03)
[8]头皮脑电采集技术研究[J]. 张发华,舒琳,邢晓芬. 电子技术应用. 2017(12)
[9]一种基于时-空-频联合选择与相关向量机的运动想象脑电信号分析算法[J]. 王洪涛,李霆,黄辉,贺跃帮,刘旭程. 控制理论与应用. 2017(10)
[10]基于总体经验模态分解的多类特征的运动想象脑电识别方法研究[J]. 杨默涵,陈万忠,李明阳. 自动化学报. 2017(05)
硕士论文
[1]基于脑电信号的实时情感识别系统[D]. 孔维嘉.兰州大学 2019
[2]基于运动想象的脑电信号分析与脑机接口系统设计[D]. 常宇.中北大学 2019
[3]基于EEG的信号处理与疼痛识别研究[D]. 李冬.浙江大学 2019
[4]运动想象脑机接口中模式识别方法研究[D]. 葛荣祥.东南大学 2018
[5]高密度脑电信号预处理及特征提取方法研究[D]. 沈宇晓彤.南京大学 2018
[6]基于深度学习的运动想象脑电信号分类算法研究[D]. 佟歌.哈尔滨工程大学 2018
[7]基于运动想象的脑电特征提取及特征迁移方法研究[D]. 韩飞.哈尔滨工业大学 2017
[8]基于运动想象的脑—机接口的算法研究[D]. 王猛.西南科技大学 2016
[9]基于运动想象脑电信号的分类研究[D]. 李立亭.天津理工大学 2016
本文编号：3585034
【文章来源】：东北师范大学吉林省 211工程院校 教育部直属院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
基于BCI系统的运动障碍患者的辅助设备
东北师范大学硕士学位论文7为9s，前2s受试者处于放松状态；第3s系统会有声音提示表明试验开始，并在屏幕上显示一个十字“+”；第4s开始至第9s电脑屏幕上会随机出现一个箭头（指向左或者右），受试者需要根据箭头的指示想象左手或右手运动。脑电数据的采集通过三对差分电极获得，电极的放置遵循国际标准10-20通道系统中C3、Cz、C4三个通道的位置，如图1.3(b)所示。数据的采样频率为128Hz，并经过0.5-30Hz的滤波，数据以.mat文件格式存储[38]。(a)实验时序图(b)电极位置示意图图1.3数据集2003III实验范式2005年BCI竞赛数据集IIIa是由奥地利Graz科技大学BCI实验室公布的四类（左手、右手、脚和舌头）运动想象脑电数据集。该实验共有三名受试者，分别被标记为“k3b”、“k6b”、“l1b”。其中“k3b”受试者每类进行90次试验，共360次；“k6b”和“l1b”受试者每类进行60次试验，共240次试验。实验过程如图1.4(a)所示。每次试验采集的时长为7s，前2s受试者处于静息状态，第3s系统发出蜂鸣提示音并在屏幕上显示一个十字“+”，第4s电脑屏幕上随机显示指向上、下、左、右的箭头，受试者开始根据箭头提示进行想象舌头、脚、左手或者右手运动持续4s，每次试验之间休息3.24s。该数据集的脑电数据由60个通道组成，采集设备是Neuroscan公司的64通道EEG放大器，该放大器的通道位置如图1.4(b)所示。数据的采样频率为250Hz，并经过1-50Hz滤波，所有次试验的数据被连接起来并存储为GDF格式[39]。(a)试验时序图(b)电极位置示意图图1.4数据集2005IIIa实验范式32C3Cz321C415cm
东北师范大学硕士学位论文7为9s，前2s受试者处于放松状态；第3s系统会有声音提示表明试验开始，并在屏幕上显示一个十字“+”；第4s开始至第9s电脑屏幕上会随机出现一个箭头（指向左或者右），受试者需要根据箭头的指示想象左手或右手运动。脑电数据的采集通过三对差分电极获得，电极的放置遵循国际标准10-20通道系统中C3、Cz、C4三个通道的位置，如图1.3(b)所示。数据的采样频率为128Hz，并经过0.5-30Hz的滤波，数据以.mat文件格式存储[38]。(a)实验时序图(b)电极位置示意图图1.3数据集2003III实验范式2005年BCI竞赛数据集IIIa是由奥地利Graz科技大学BCI实验室公布的四类（左手、右手、脚和舌头）运动想象脑电数据集。该实验共有三名受试者，分别被标记为“k3b”、“k6b”、“l1b”。其中“k3b”受试者每类进行90次试验，共360次；“k6b”和“l1b”受试者每类进行60次试验，共240次试验。实验过程如图1.4(a)所示。每次试验采集的时长为7s，前2s受试者处于静息状态，第3s系统发出蜂鸣提示音并在屏幕上显示一个十字“+”，第4s电脑屏幕上随机显示指向上、下、左、右的箭头，受试者开始根据箭头提示进行想象舌头、脚、左手或者右手运动持续4s，每次试验之间休息3.24s。该数据集的脑电数据由60个通道组成，采集设备是Neuroscan公司的64通道EEG放大器，该放大器的通道位置如图1.4(b)所示。数据的采样频率为250Hz，并经过1-50Hz滤波，所有次试验的数据被连接起来并存储为GDF格式[39]。(a)试验时序图(b)电极位置示意图图1.4数据集2005IIIa实验范式32C3Cz321C415cm
【参考文献】：
期刊论文
[1]空间滤波方法在脑-机接口中的应用及研究进展[J]. 王韬,柯余峰,王宁慈,刘文陶,安兴伟,明东. 中国生物医学工程学报. 2019(05)
[2]基于经验模态分解和极限学习机的癫痫脑电提取分类研究[J]. 宋玉龙,赵冕,郑威. 生物医学工程研究. 2019(03)
[3]基于PCA和LDA改进算法的人脸识别技术研究[J]. 刘亮. 无线互联科技. 2019(17)
[4]基于半监督LDA特征子空间优化的人脸识别算法[J]. 纪明君,刘漫丹,才乐千. 计算机工程与科学. 2018(10)
[5]基于S变换和共空间模式的运动想象脑电特征提取[J]. 张文亮,林彬,黄婉露,张学军. 科学技术与工程. 2018(23)
[6]基于自适应无参经验小波变换和选择集成分类模型的运动想象[J]. 何群,王煜文,杜硕,陈晓玲,谢平. 物理学报. 2018(11)
[7]事件相关去同步化和同步化方法在脑电信号分析中的研究进展[J]. 周思捷,白红民. 中国微侵袭神经外科杂志. 2018(03)
[8]头皮脑电采集技术研究[J]. 张发华,舒琳,邢晓芬. 电子技术应用. 2017(12)
[9]一种基于时-空-频联合选择与相关向量机的运动想象脑电信号分析算法[J]. 王洪涛,李霆,黄辉,贺跃帮,刘旭程. 控制理论与应用. 2017(10)
[10]基于总体经验模态分解的多类特征的运动想象脑电识别方法研究[J]. 杨默涵,陈万忠,李明阳. 自动化学报. 2017(05)
硕士论文
[1]基于脑电信号的实时情感识别系统[D]. 孔维嘉.兰州大学 2019
[2]基于运动想象的脑电信号分析与脑机接口系统设计[D]. 常宇.中北大学 2019
[3]基于EEG的信号处理与疼痛识别研究[D]. 李冬.浙江大学 2019
[4]运动想象脑机接口中模式识别方法研究[D]. 葛荣祥.东南大学 2018
[5]高密度脑电信号预处理及特征提取方法研究[D]. 沈宇晓彤.南京大学 2018
[6]基于深度学习的运动想象脑电信号分类算法研究[D]. 佟歌.哈尔滨工程大学 2018
[7]基于运动想象的脑电特征提取及特征迁移方法研究[D]. 韩飞.哈尔滨工业大学 2017
[8]基于运动想象的脑—机接口的算法研究[D]. 王猛.西南科技大学 2016
[9]基于运动想象脑电信号的分类研究[D]. 李立亭.天津理工大学 2016
本文编号：3585034
本文链接：https://www.wllwen.com/yixuelunwen/swyx/3585034.html
