基于异步P300的字符输入脑机接口研究

发布时间：2017-09-01 03:15

  本文关键词：基于异步P300的字符输入脑机接口研究

  更多相关文章： 脑机接口(BCI) P300 异步 贝叶斯线性判别分析(BLDA) 卷积神经网络(CNN)

【摘要】：脑机接口(Brain Computer Interface,BCI)是一种利用脑电信号与计算机建立通信从而控制外部设备或与外界进行信息交流的系统,在医疗康复等领域有广泛的应用前景。根据工作模式的不同,BCI系统可分为同步BCI和异步BCI。同步BCI由系统设定固定的控制时段,系统只需检测受试者在控制时段的脑电信号;异步BCI由受试者自主支配控制时段的开始及结束,系统需实时检测受试者脑电信号并区分控制状态和非控制状态。同步BCI易于分析和实现,目前大部分BCI系统都是采用同步模式。然而,为了让BCI系统走出实验室,进入日常生活,开发异步BCI系统显得尤为重要。本文针对基于异步P300的字符输入BCI,做了以下三个方面的研究工作:1)提出只使用一个阈值实现异步P300字符输入的算法思想。传统异步BCI系统需依次进行控制状态识别和目标字符识别,需确定两个分类阈值。本文方法将控制状态的P300信号归为一类,其余的控制状态非P300信号和非控制状态信号归为另一类,通过对信号进行检测处理,其输出值大于设定阈值时则判定此时系统为控制状态,并输出相应字符;反之则为非控制状态,不输出字符。该方法在保证高准确率的前提下,简化了信号检测处理过程,实现了系统对控制状态和非控制状态的检测。2)针对异步P300信号的检测,本文提出了基于贝叶斯线性判别分析(BLDA)和卷积神经网络(CNN)两种检测算法。BLDA算法是一种比较经典的模式识别方法,而CNN是近年来迅速发展起来的一种人工神经网络算法。本文尝试将CNN方法运用于异步P300信号的检测中,并与经典BLDA方法进行对比分析。实验结果表明两种检测方法效果相仿,且都达到较高的检测准确率。对分类响应score叠加平均5轮,准确率达80%以上;叠加平均7轮,准确率达90%以上。3)开发异步P300字符输入BCI在线实验系统。通过在线实验验证了单阈值算法思想下BLDA算法及CNN算法对异步P300信号检测的可行性,且达到较高的检测准确率,实现了由受试者自由切换控制状态与非控制状态的目标。
【关键词】：脑机接口(BCI) P300 异步 贝叶斯线性判别分析(BLDA) 卷积神经网络(CNN)
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN911.7;R318
【目录】：

• 摘要5-6
• ABSTRACT6-11
• 第一章 绪论11-18
• 1.1 课题研究背景及意义11-12
• 1.2 脑机接口简介12-13
• 1.3 国内外研究动态13-15
• 1.4 课题研究内容与论文结构15-18
• 1.4.1 研究内容与创新点15-16
• 1.4.2 本文组织结构16-18
• 第二章 异步脑机接口18-33
• 2.1 脑机接口系统分类18-19
• 2.1.1 内源性与外源性BCI18
• 2.1.2 同步与异步BCI18-19
• 2.2 脑机接口控制信号类型19-24
• 2.2.1 稳态视觉诱发电位（SSVEP）19-20
• 2.2.2 事件相关电位（ERP）20-23
• 2.2.3 感觉运动节律（SMR）23
• 2.2.4 慢皮层电位（SCP）23-24
• 2.3 异步脑机接口研究要点24-32
• 2.3.1 控制状态检测24-26
• 2.3.2 分类算法原理26-30
• 2.3.3 系统性能评估指标30-32
• 2.4 本章小结32-33
• 第三章 基于贝叶斯线性判别分析的异步P300检测算法设计33-41
• 3.1 检测算法设计33-38
• 3.1.1 贝叶斯线性判别分析算法原理33-34
• 3.1.2 单阈值检测异步P300方法34-37
• 3.1.3 阈值的选取37-38
• 3.2 离线实验38-40
• 3.2.1 信号采集与处理38-39
• 3.2.2 实验结果39-40
• 3.3 本章小结40-41
• 第四章 基于卷积神经网络的异步P300检测算法设计41-51
• 4.1 卷积神经网络概述41-46
• 4.1.1 卷积神经网络网络结构41-43
• 4.1.2 卷积神经网络基本特征43-44
• 4.1.3 卷积神经网络的训练44-46
• 4.2 检测算法设计46-48
• 4.2.1 算法原理46-47
• 4.2.2 阈值的选取47-48
• 4.3 离线实验48-49
• 4.3.1 信号采集与处理48-49
• 4.3.2 实验结果49
• 4.4 两种方法离线实验效果对比49-50
• 4.5 本章小结50-51
• 第五章 在线实验系统设计及结果分析51-63
• 5.1 系统软硬件介绍51-53
• 5.1.1 硬件部分51-52
• 5.1.2 软件系统52-53
• 5.2 视觉刺激方法的设计53-57
• 5.2.1 刺激范式设计53-55
• 5.2.2 刺激序列设计55-57
• 5.3 实验过程57-60
• 5.3.1 训练分类模型阶段57-59
• 5.3.2 在线测试阶段59-60
• 5.4 实验结果分析60-62
• 5.5 本章小结62-63
• 总结与展望63-65
• 总结63-64
• 展望64-65
• 参考文献65-69
• 攻读硕士学位期间取得的研究成果69-70
• 致谢70-71
• 答辩委员会对论文的评定意见逑71

【相似文献】

中国期刊全文数据库 前10条

1 王磊,戚飞虎;多字体字符识别的模糊神经网络模型[J];红外与毫米波学报;1999年05期

2 谢无忌;一种用于字符识别的预处理方法[J];福州大学学报(自然科学版);1990年03期

3 张淑雅;赵一鸣;赵晓宇;李均利;;认证码字符识别方法的研究[J];宁波大学学报(理工版);2007年04期

4 原玉磊;蒋理兴;钦桂勤;;基于字符特征的数字字符识别算法[J];海洋测绘;2009年01期

5 肖欣招;;互相关性在字符识别中的应用[J];中国科技信息;2008年10期

6 吕刚;;基于卷积神经网络的多字体字符识别[J];浙江师范大学学报(自然科学版);2011年04期

7 施泽生，王东生;从工程图中分离和识别字符模式的技术[J];中国科学技术大学学报;1995年01期

8 侯艳丽,杨国胜,黄春艳;基于字符识别的门牌号识别算法研究[J];河南大学学报(自然科学版);2004年01期

9 童小念;李娜;;复杂背景下字符提取算法的分析与实现[J];东北师大学报(自然科学版);2008年01期

10 李喜德,谭玉山;用于指纹/字符识别的电子投影相关技术[J];光学学报;1992年02期

中国重要会议论文全文数据库 前10条

1 汤茂斌;谢渝平;李就好;;基于神经网络算法的字符识别方法研究[A];2009年全国开放式分布与并行计算机学术会议论文集(上册)[C];2009年

2 洪汉玉;郭强;章秀华;张艳;林志敏;;复杂背景条件下字符识别新方法研究[A];第十四届全国图象图形学学术会议论文集[C];2008年

3 车扬;郑智捷;;速记字符识别的预处理模式和方法探讨[A];2010通信理论与技术新发展——第十五届全国青年通信学术会议论文集（下册）[C];2010年

4 李玉良;王良松;李晶;;图像中数字字符识别技术概览[A];节能环保 和谐发展——2007中国科协年会论文集（一）[C];2007年

5 刘云曼;王磊;;盲人阅读机中图像字符识别方法的研究[A];天津市生物医学工程学会第三十三届学术年会论文集[C];2013年

6 余晓华;陈晓春;刘好炯;;手持式仪表字符识别技术研究[A];《IT时代周刊》论文专版（第300期）[C];2014年

7 陆璐;张旭东;赵莹;高隽;;基于卷积神经网络的车牌照字符识别研究[A];第十二届全国图象图形学学术会议论文集[C];2005年

8 朱小燕;史一凡;马少平;;脱机手写体字符识别研究[A];面向21世纪的科技进步与社会经济发展（上册）[C];1999年

9 欧梅芳;宋瑞霞;;V-系统在信息重构与字符识别中的应用探索[A];中国图学新进展2007——第一届中国图学大会暨第十届华东六省一市工程图学学术年会论文集[C];2007年

10 张雪山;田慧;;字符识别系统的一种定位算法[A];图像 仿真 信息技术——第二届联合学术会议论文集[C];2002年

中国重要报纸全文数据库 前3条

1 尼克;计算历史学：大数据时代的读书[N];东方早报;2014年

2 王庆国;票据印刷视觉字符检测系统中硬件的选择[N];中国包装报;2008年

3 方忠诚;OCR技术及其应用[N];北京电子报;2000年

中国博士学位论文全文数据库 前3条

1 罗特飞（Mohammed Lutf）;基于HMM与决策树的多字体阿拉伯文的字符识别[D];华中科技大学;2015年

2 文颖;数字、字符识别及其应用研究[D];上海交通大学;2009年

3 彭健;多类小字符集自适应字符识别技术及系统的研究[D];重庆大学;2002年

中国硕士学位论文全文数据库 前10条

1 李卓;基于深度学习的字符识别系统的设计与实现[D];北京林业大学;2016年

2 杨寒冰;工程图纸中字符识别技术的研究与实现[D];吉林大学;2016年

3 郭晋璇;基于拓扑结构的字符识别[D];广东工业大学;2016年

4 徐杨;基于P300的字符输入脑机接口研究[D];华南理工大学;2015年

5 亢雅瑞;基于异步P300的字符输入脑机接口研究[D];华南理工大学;2016年

6 柯一剑;PCB元器件定位与识别技术研究[D];南京理工大学;2016年

7 钟卿;基于SVM的联机手写新傣文字符识别[D];云南大学;2016年

8 张瑜;支票扫描图像中的字符识别算法及实现[D];哈尔滨工业大学;2016年

9 蔡晓娟;基于LBP和PCA的脱机手写藏文字符识别系统[D];青海师范大学;2016年

10 张超群;基于深度学习的字符识别[D];电子科技大学;2016年

，

本文编号：769596