【摘要】： 近年來,腦-機接口(Brain-Computer Interface:BCI)作為一種新型的人機交互技術,已成為當今腦科學和生物醫(yī)學工程領域的熱點課題。基于EEG信號的BCI是指在人腦和計算機或者其它電子設備之間建立的一種直接信息交流和控制通道。隨著認知神經科學、計算機科學與信號處理技術的飛速發(fā)展,腦-機接口技術正在逐步向實用化方法發(fā)展。 獨立分量分析(Independent Component Analysis:ICA)是20世紀90年代中期發(fā)展起來的一種多維統(tǒng)計分析方法。近年來ICA在腦-機接口中的應用一直倍受關注,但是從目前已報道的研究中可以看出：ICA方法主要還是被作為一種預處理手段,用于消除原始腦電信號中的干擾成分,進而改善腦-機通信的正確識別率。而且在很多情況下均采用的是批處理ICA進行的腦-機接口離線分析。 考慮到腦電信號具有很強的非平穩(wěn)性,本論文的研究工作主要是圍繞適合非平穩(wěn)信號的在線ICA算法及其在腦-機接口中的應用問題展開的。論文的主要創(chuàng)新點在于：提出了將基于滑動窗的在線ICA算法應用于信號包絡檢測的新思路,并成功地將這種思路應用于BCI系統(tǒng)的信號特征提取和分類識別。通過對大量實測數據的分類測試,結果驗證了所提方法的有效性。圍繞這一創(chuàng)新點,本文在以下幾個方面做了一些有特色的工作： 1.在對ICA基本理論進行分析研究的基礎上,重點對Herault-Jutten算法、Cichocki-Unbehauen算法、擴展Infomax算法和峭度極大ICA算法展開了研究,并對這幾種算法的批處理和基于單個樣本更新的在線形式進行了探討和性能對比分析,為算法的改進提供了指導方向。 2.研究了改進的基于滑動窗的在線ICA算法,并分別在非時變混合模型和時變混合模型兩種情況下,對滑動窗在線算法的盲分離性能進行了研究分析。仿真實驗結果說明滑動窗在線ICA算法能夠在一定程度上兼顧批處理算法的穩(wěn)定性和基于單個樣本更新在線算法的自適應跟蹤性能,對時變混合情況也能夠獲得較理想的盲分離結果。并提出了將滑動窗在線ICA算法應用于信號包絡檢測的新思路。仿真實驗結果說明：利用在線算法得到的動態(tài)混合矩陣系數對信號進行包絡提取是完全可行的。 3.由于EEG信號的強非平穩(wěn)性,提出了將適合非平穩(wěn)性信號分析的Hilbert-Huang變換(HHT)方法引入腦-機接口的思想。通過實測數據分析得到：利用HHT算法中的EMD分解方法可以成功地實現(xiàn)對SSVEP信號的預處理和特征提取。此外,在基于HHT的左右手運動想象分析過程中,提出了一種基于運動想象¨節(jié)律包絡特性的分類識別思想。實驗結果驗證了該思路是可行的,并為在線ICA算法在腦-機接口中的應用提供了指導思想。 4.提出了將在線ICA算法應用于腦-機接口的新思路。大量的實測數據分類結果證明：利用在線ICA算法的包絡提取性能,可以成功地實現(xiàn)對左右手運動想象腦電的動態(tài)分析和識別。為了驗證分類結果的有效性,論文同時采用基于AR+BP、AR+LDA、AR+SVM和二階矩能量的四種分類方法進行對比分析,結果表明基于在線ICA的分類效果非常理想。而且需要說明的是：在基于在線ICA算法的分類過程中并沒有訓練的環(huán)節(jié),因此這種不經過訓練就能獲得較好分類結果的在線方法將會對BCI系統(tǒng)的簡化提供很大的幫助。 5.對在線ICA算法在α波檢測中的應用進行了研究,結果進一步驗證了在線ICA算法對于腦電節(jié)律波進行實時包絡提取的可行性。 6.成功地開展了對基于左右手運動想象、SSVEP和α波檢測三類BCI系統(tǒng)的自主實驗設計和數據采集工作,并獲得了大量有效的自主實驗數據,為本實驗室的后續(xù)研究工作提供了數據來源。
【圖文】：

應用研究等方面都取得了很大的進展。2009年7月1日，中央電視臺2套經濟信息聯(lián)播節(jié)目就曾報道過由日本某家公司研制的基于腦電波控制的新型“意念”輪椅(圖1.2)。使用這臺輪椅，患者即使手不能動，也可以操控這臺輪椅的前后、轉向等過程。這充分說明了BCI的研究正逐步向實用化方向發(fā)展。圖1.2日本某公司生產的“意念”輪椅 Figure1.2An”ideas，，， wheelehairmadeinJaPan國內對于BCI的研究起步則相對較晚，但近十年以來也取得了較大發(fā)展，越來越多的科研機構和高等院校都參與到該領域的研究。最具有代表性也是最早在國內開展BCI研究的是清華大學高上凱教授領導的小組卜4，”一’9】，目前他們在BCI領域的研究成果己達到了國際先進水平，并得到了國際同行的普遍認可。另外，成都電子科技大學堯德中教授領導的小組在BCI研究

本論文所使用的自主實驗數據的采集均是在安徽大學計算智能與信號處理重點實驗室完成的。實驗采集系統(tǒng)來自美國Neuroscan公司40導腦電采集設備(圖2.6)，以及實驗室自行研制的一套生物電信號采集系統(tǒng)(圖2.7)。本文采用的左右手運動想象自主實驗數據來自于Neuroscan采集系統(tǒng)，SSVEP實驗數據和a波檢測數據則來自實驗室自制的采集系統(tǒng)。圖2.6美國Neurosean公司40導腦電采集設備 Figure2.640cllannelsaequisitionsystemmadeinU.S.Neuroseanco互nPany
【學位授予單位】：安徽大學
【學位級別】：博士
【學位授予年份】：2010
【分類號】：TP334.7

【引證文獻】

相關期刊論文 前2條

1 陳黎黎;國紅軍;陳國龍;;基于ERD/ERS現(xiàn)象的運動想象腦電信號分類研究[J];陜西科技大學學報(自然科學版);2015年04期

2 孟霏;張旭秀;;運動想象腦電信號的特征提取和分類進展[J];北京生物醫(yī)學工程;2013年02期

相關碩士學位論文 前10條

1 董永慧;鴿子目標導向行為中的神經信息流分析[D];鄭州大學;2018年

2 孫佳敏;EEG-fMRI混合腦機接口系統(tǒng)中EEG信號的在線去偽跡研究[D];華南理工大學;2018年

3 佟歌;基于深度學習的運動想象腦電信號分類算法研究[D];哈爾濱工程大學;2018年

4 左超華;便攜式單導腦電信號采集與處理研究[D];西南交通大學;2016年

5 康莎莎;多類運動想象腦電信號的識別及其在BCI中的應用[D];安徽大學;2016年

6 高建;基于Android的穩(wěn)態(tài)視覺誘發(fā)電位視覺刺激器的研究[D];天津職業(yè)技術師范大學;2016年

7 趙巖巖;基于運動想象的腦電信號特征提取及分類算法的研究[D];哈爾濱工程大學;2016年

8 楊晨;基于經驗模式分解（EMD）的腦信號研究[D];南京郵電大學;2015年

9 鞏笑曉;運動想象腦電信號的特征提取算法研究[D];安徽大學;2014年

10 于涵;腦機接口技術中的ICA研究[D];南京郵電大學;2014年

本文編號：2677025