运动想象脑电信号的特征提取与识别算法研究

发布时间：2017-08-31 09:35

  本文关键词：运动想象脑电信号的特征提取与识别算法研究

  更多相关文章： 脑-机接口 运动想象 脑功能网络 Granger因果分析 孪生支持向量机 增量学习 自适应

【摘要】：脑-机接口技术通俗来说就是一种大脑与机器直接进行交流的科学技术,它的主要特点是不需要外周神经和肌肉组织的参与,只需采集人在进行思维活动时产生的意念——脑电信号,并对信号进行处理、分析、识别,形成表达人控制外部设备意念的控制信号,实现与外部世界的交流与控制。该技术已被应用于医疗健康、军事国防、汽车驾驶、游戏娱乐等领域,因此其不仅具有重要的理论研究价值,还具有较好的应用前景,已成为当前各个国家的研究热点。考虑到运动想象脑电信号包含丰富的运动信息,能避免电极植入人脑的风险以及获取成本较低等优点,本文以其作为分析对象。本文在国家自然科学基金资助项目的支持下,首先简要叙述了脑电研究的相关背景以及重要意义,概述了脑-机接口的研究现状,介绍了脑电信号的特点以及脑-机接口的组成,对脑电信号的预处理、特征提取、模式分类的方法进行了简要分析和总结,最后提出了一些尚未解决的问题,并针对这些问题开展研究。本文完成了以下研究工作:(1)脑电信号的预处理:本文采用非线性多尺度方法脑电信号机进行消噪,该方法能提高运动想象脑电信号的信噪比,在一定程度上去除一系列的无关信号,从而为接下来提取信号特征以及为信号进行分类提供较好的前提条件。(2)脑电信号的特征提取:本文将脑功能网络引入到脑电特征提取的研究中,提出了一种基于感兴趣脑区Lasso-Granger因果关系的新方法,克服了当前基于孤立脑区的研究方法的不足。先利用主成分分析提取各感兴趣区的最大主成分,然后计算它们之间的Lasso-Granger因果度量,并将其作为特征向量,为脑电特征提取研究提供了新的思路。(3)脑电信号的模式分类:本文提出了一种具有增量学习能力的孪生支持向量机方法,来提高分类器的分类精度、速度、自适应能力以及实用性。首先,建立孪生支持向量机的初始模型作为后续增量扩展算法的基本模型;其次,将增量学习引入到分类模型的构建中,从而使个体具有较好的自学习和修正性能,提高BCI系统的自适应能力和分类精度。除此以外,本文还利用粒子群算法对孪生支持向量机进行参数寻优,以获得最佳的分类效果。本文是基于运动想象脑电信号处理方法的研究,所提方法均用MATLAB语言编程实现,验证了算法的有效性。
【关键词】：脑-机接口 运动想象 脑功能网络 Granger因果分析 孪生支持向量机 增量学习 自适应
【学位授予单位】：杭州电子科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R318;TN911.7
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第1章 绪论10-20
• 1.1 课题研究背景和意义10-11
• 1.2 脑-机接口研究现状及概述11-15
• 1.2.1 应用现状及进展11-13
• 1.2.2 BCI系统简介13-14
• 1.2.3 脑电信号14-15
• 1.3 脑电信号处理算法研究现状15-16
• 1.3.1 特征提取算法15-16
• 1.3.2 模式分类算法16
• 1.4 脑-机接口技术中尚待解决的主要问题16-18
• 1.4.1 通道选择17
• 1.4.2 自适应分类算法17-18
• 1.5 研究内容及论文结构18-19
• 1.6 本章小结19-20
• 第2章 基于非线性多尺度表示的脑电信号去噪分析20-26
• 2.1 信号的线性多尺度表示20-21
• 2.2 信号的非线性多尺度表示21
• 2.3 基于NMR的去噪方法21-22
• 2.4 实验结果与分析22-25
• 2.5 本章小结25-26
• 第3章 基于感兴趣脑区Lasso-Granger因果关系的脑电特征提取26-39
• 3.1 脑网络的基本概念26-29
• 3.1.1 功能性网络27-28
• 3.1.2 效用性网络28-29
• 3.2 Granger理论29-32
• 3.2.1 时域Granger因果分析29-30
• 3.2.2 频域Granger因果分析30
• 3.2.3 模型求解—Lasso理论30-31
• 3.2.4 显著性检验31-32
• 3.3 感兴趣区域的选择32-33
• 3.4 实验步骤33
• 3.5 结果分析33-38
• 3.6 本章小结38-39
• 第4章 基于增量孪生支持向量机的脑电分类方法39-54
• 4.1 SVM算法在生物电信号方面的应用39-40
• 4.2 孪生支持向量机40-44
• 4.3 增量学习44-48
• 4.4 基于粒子群算法的TSVM参数优化48
• 4.5 实验结果48-53
• 4.5.1 UCI标准数据测试与分析48-50
• 4.5.2 脑电分析与结论50-51
• 4.5.3 孪生支持向量机的粒子群参数优化结果51-53
• 4.6 本章小结53-54
• 第5章 总结与展望54-56
• 5.1 工作总结54
• 5.2 研究展望54-56
• 致谢56-57
• 参考文献57-64
• 附录64

【相似文献】

中国期刊全文数据库 前10条

1 ;脑电信号处理的研究取得阶段性成果[J];河北师范大学学报;1987年01期

2 李志瑞;张文杰;;通用脑电信号处理——微机系统初探[J];河北师范大学学报;1988年Z1期

3 孟欣，欧阳楷;脑电信号的几个非线性动力学分析方法[J];北京生物医学工程;1997年03期

4 吴小培,冯焕清,周荷琴,王涛;独立分量分析及其在脑电信号预处理中的应用[J];北京生物医学工程;2001年01期

5 李英远,周卫东;径向基函数神经网络在脑电信号建模中的应用[J];山东生物医学工程;2002年02期

6 刘大路,江朝晖,冯焕清,王聪;基于脑电信号时空分布信息的思维特征研究[J];北京生物医学工程;2004年02期

7 许崇涛,沈民奋,李慧,朱国平;双谱分析方法在脑电信号分析中的应用[J];中国行为医学科学;2004年03期

8 汤晓军,宋卓,杨卓,张涛;双任务事件中脑电信号的熵计算(英文)[J];生物物理学报;2005年05期

9 蒋辰伟;章悦;曹洋;朱国行;顾凡及;王斌;;脑死亡与脑昏迷脑电信号的复杂度研究[J];生物物理学报;2008年02期

10 李谷;范影乐;庞全;;基于排列组合熵的脑电信号睡眠分期研究[J];生物医学工程学杂志;2009年04期

中国重要会议论文全文数据库 前10条

1 薛蕴全;王秋英;王宏;;脑电信号的动态时空响应拓扑图[A];中国仪器仪表学会第三届青年学术会议论文集（上）[C];2001年

2 王裕清;粱平;郭付清;张登攀;;脑电信号诊断专家系统的研究[A];中国生理学会第21届全国代表大会暨学术会议论文摘要汇编[C];2002年

3 朱林剑;包海涛;孙守林;梁丰;;新型脑电信号采集方法与应用研究[A];大连理工大学生物医学工程学术论文集（第2卷）[C];2005年

4 许涛;朱林剑;包海涛;;基于思维脑电信号的假手的研究[A];提高全民科学素质、建设创新型国家——2006中国科协年会论文集（下册）[C];2006年

5 李爱新;孙铁;郭炎峰;;基于人工神经网络的脑电信号模式分类[A];自动化技术与冶金流程节能减排——全国冶金自动化信息网2008年会论文集[C];2008年

6 童珊;黄华;陈槐卿;;混沌理论在脑电信号分析中的应用[A];中国生物医学工程学会第六次会员代表大会暨学术会议论文摘要汇编[C];2004年

7 李凌;曾庆宁;尧德中;;利用两级抗交叉串扰自适应滤波器提取诱发脑电信号[A];中国生物医学工程学会第六次会员代表大会暨学术会议论文摘要汇编[C];2004年

8 葛家怡;周鹏;王明时;;睡眠脑电信号样本熵的研究[A];中国生物医学工程进展——2007中国生物医学工程联合学术年会论文集（下册）[C];2007年

9 李丽君;黄思娟;吴效明;熊冬生;;基于运动想象的脑电信号特征提取与分类[A];中国仪器仪表学会医疗仪器分会2010两岸四地生物医学工程学术年会论文集[C];2010年

10 葛家怡;周鹏;王明时;;睡眠脑电信号样本熵的研究[A];天津市生物医学工程学会2007年学术年会论文摘要集[C];2007年

中国重要报纸全文数据库 前1条

1 张文清　记者 王春;意念控制车速及左右转弯前行[N];科技日报;2008年

中国博士学位论文全文数据库 前10条

1 彭宏;普适化脑电信息感知关键问题的研究[D];兰州大学;2015年

2 吴玉鹏;AR谱在皮层痫样脑电信号分析应用[D];河北医科大学;2015年

3 吴畏;基于统计建模的多导联脑电信号时空建模方法研究[D];清华大学;2012年

4 孙宇舸;脑—机接口系统中脑电信号处理方法的研究[D];东北大学;2012年

5 周群;脑电信号同步：方法及应用研究[D];电子科技大学;2009年

6 赵丽;基于脑电信号的脑-机接口技术研究[D];天津大学;2004年

7 李春胜;脑电信号混沌特性的研究与应用[D];东北大学;2011年

8 欧阳高翔;癫痫脑电信号的非线性特征识别与分析[D];燕山大学;2010年

9 缪晓波;基于脑电信号的认知动力学系统研究——线性/非线性方法及动态时—频—空分析[D];重庆大学;2004年

10 张美云;阿尔茨海默病脑电信号多尺度时空定量特征研究[D];天津医科大学;2012年

中国硕士学位论文全文数据库 前10条

1 于洪;基于脑电信号的警觉度估计[D];上海交通大学;2007年

2 蒋洁;基于高性能计算的脑电信号分析[D];燕山大学;2010年

3 张志琴;脑电信号的复杂性分析[D];中南大学;2009年

4 许凤娟;脑电信号采集与分析系统的设计[D];长春理工大学;2011年

5 曹铭;意识障碍患者脑电信号的非线性动力学评价分析[D];杭州电子科技大学;2012年

6 刘静;基于加权排序熵的多通道脑电信号同步算法研究[D];燕山大学;2015年

7 陈泽涛;基于脑电信号分析的AD早期评估系统的设计与实现[D];燕山大学;2015年

8 王晓滨;LED光针灸对脑功能的影响研究[D];天津职业技术师范大学;2015年

9 徐朝阳;基于深度网络的脑电信号分类方法研究[D];中国海洋大学;2015年

10 刘巨娟;基于脑电信号识别的驾驶员-汽车混合控制系统设计[D];东北大学;2014年

，

本文编号：764829