【摘要】： 基于腦電信號(hào)(EEG)的腦-機(jī)接口(BCI)是當(dāng)今BCI研究的主流。其中利用自發(fā)腦電信號(hào),通過識(shí)別特定意識(shí)任務(wù)實(shí)現(xiàn)控制的BCI系統(tǒng)不需要外部刺激裝置和長(zhǎng)時(shí)間的訓(xùn)練,具有很大的應(yīng)用前景和價(jià)值。本論文主要從EEG信號(hào)的預(yù)處理,特征提取方法和分類器的設(shè)計(jì)等方面對(duì)此類BCI系統(tǒng)進(jìn)行了較為深入的研究,主要工作和成果有: 采用有效的盲源分離(BSS)方法分別對(duì)EEG信號(hào)中的工頻、眼電(EOG)和肌電(EMG)偽跡進(jìn)行了分離和去除。獨(dú)立分量分析(ICA)能夠取得較為理想的去除EOG偽跡的效果,得到了廣泛的應(yīng)用,因此在本文中也采用了這種方法去除EEG中的EOG偽跡。此外,工頻噪聲也利用了ICA方法來去除。在直接利用ICA無法分離出6導(dǎo)EEG信號(hào)中的工頻噪聲的情況下,人為構(gòu)造了兩路工頻信號(hào),引入ICA的輸入作為參考信號(hào),從而成功的分離和去除了工頻噪聲。在以往的基于意識(shí)任務(wù)BCI的研究中,均沒有對(duì)EMG偽跡進(jìn)行處理,本文提出了一種基于典型相關(guān)分析(CCA)和低通濾波的BSS方法來分離和去除EMG偽跡。采集到的EEG信號(hào)可以看作是不相關(guān)的EEG源和EMG偽跡源的瞬時(shí)混合,因此,CCA能夠?qū)⒄鎸?shí)的EEG信號(hào)和EMG偽跡分離開。相較于EEG而言,自相關(guān)性較弱的EMG偽跡出現(xiàn)在最小自相關(guān)的CCA分量中。但是這些分量也包含了EEG信息,因此在對(duì)這些分量進(jìn)行低通濾波處理以后,再重構(gòu)出EEG信號(hào)。提出的這種新方法在去除EMG偽跡的同時(shí)能夠有效的保留EEG信息,是BCI系統(tǒng)中一種更為理想的去除EMG偽跡的EEG信號(hào)預(yù)處理方法。 本文研究了時(shí)-頻特征提取方法和時(shí)-頻-空特征提取方法。頻域分析方法提取EEG的節(jié)律特征及頻譜特征是目前最主要的方法,然而這種方法是建立在被分析的EEG信號(hào)是平穩(wěn)的假設(shè)上。時(shí)頻分析方法是適合于處理EEG信號(hào)這種典型非平穩(wěn)信號(hào)的有效工具。本文將線性時(shí)頻變換和雙線性時(shí)頻變換應(yīng)用于不同意識(shí)任務(wù)EEG信號(hào)的特征提取。短時(shí)傅里葉變換(STFT)雖然不存在交叉項(xiàng)干擾,但是其時(shí)頻聚集性不好。作者將STFT與AR模型相結(jié)合,在STFT的求解過程中采用AR譜代替傅里葉譜,這種改進(jìn)的STFT獲得了比較好的時(shí)頻聚集性,能夠更有效的提取EEG特征。Wigner-Ville分布(WVD)雖然時(shí)頻聚集性好,但又存在交叉項(xiàng)干擾。平滑偽Wigner-Ville分布(SPWVD)是WVD的一種改進(jìn),達(dá)到了抑制交叉項(xiàng)的目的,因此能夠更準(zhǔn)確的提取EEG特征。時(shí)-頻-空特征提取方法考慮了從多通道EEG信號(hào)(多變量EEG信號(hào))提取空域特征,是一種提取EEG特征的新思路。由于直接對(duì)多變量EEG信號(hào)處理時(shí),計(jì)算量大,得到的特征數(shù)多,該方法首先對(duì)多變量信號(hào)進(jìn)行空域解相關(guān)處理,從而降低了計(jì)算量和特征數(shù),提高了這種方法的實(shí)用性。 設(shè)計(jì)了兩種分類器:基于Fisher辨別分析(FDA)和馬氏距離(MD)的分類器和基于最小二乘支持向量機(jī)(LS_SVM)的分類器。FDA是一類較為簡(jiǎn)單的線性判別函數(shù),該線性分類器容易實(shí)現(xiàn),計(jì)算量小,能夠滿足BCI系統(tǒng)對(duì)實(shí)時(shí)性的要求。基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的SVM是近些年來發(fā)展起來的一種新型模式識(shí)別方法,克服了傳統(tǒng)方法的過學(xué)習(xí)、高維數(shù)、局部最小等問題,具有很強(qiáng)的推廣能力,但是其計(jì)算速度較慢。因此,本文利用了SVM的改進(jìn)方法LS_SVM來設(shè)計(jì)分類器,LS_SVM將SVM中的二次規(guī)劃問題轉(zhuǎn)化為線性方程求解,提高了計(jì)算速度,更適合于在BCI系統(tǒng)中充當(dāng)分類器。此外,本文也對(duì)利用SVM進(jìn)行多分類的方法進(jìn)行了研究,設(shè)計(jì)了基于LS_SVM的多分類器。 本文設(shè)計(jì)了三組實(shí)驗(yàn),每組實(shí)驗(yàn)均對(duì)8個(gè)受試者的意識(shí)任務(wù)進(jìn)行了二分類和多分類。第一組實(shí)驗(yàn)用于驗(yàn)證本文所給出的特征提取方法的有效性,并比較了它們的性能。采用基于AR模型的STFT和SPWVD的特征提取方法取得了最好的分類效果。不過基于AR模型的STFT更加簡(jiǎn)單,因此是一種更具優(yōu)勢(shì)的方法。第二組實(shí)驗(yàn)對(duì)設(shè)計(jì)的兩種分類器進(jìn)行了驗(yàn)證和比較。在二分類時(shí),LS_SVM分類器取得了更好的分類效果,而在三分類,四分類和五分類時(shí),FDA+MD分類器在正確率和計(jì)算速度上都更具優(yōu)勢(shì)。本論文提出了一個(gè)新的觀點(diǎn),認(rèn)為頭皮方式采集的EEG信號(hào)的高頻成分也包含了與意識(shí)狀態(tài)相關(guān)的信息,增加從高頻范圍提取的EEG特征有助于提高基于意識(shí)任務(wù)BCI系統(tǒng)的分類效果。本文在實(shí)驗(yàn)三中對(duì)這個(gè)觀點(diǎn)進(jìn)行了驗(yàn)證,將包含高頻帶(40-100Hz)特征的分類結(jié)果與沒有包含高頻帶特征的分類結(jié)果進(jìn)行了比較,實(shí)驗(yàn)結(jié)果顯示包含高頻帶特征的分類正確率顯著高于不包含高頻帶特征的分類正確率,證明了提出的這個(gè)新的觀點(diǎn)是正確的。
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2008
【分類號(hào)】：TP334.7
【圖文】：

此外，PET，fMRI，光學(xué)成像需要測(cè)辨率較低(如：PET成像時(shí)間為幾十秒，往往難以滿足BCI快速通訊的要求。相集設(shè)備簡(jiǎn)單、便于攜帶、價(jià)格低廉，對(duì)成為了當(dāng)今腦－機(jī)接口研究的主流[4, 5]。來看，腦電信號(hào)包括頭皮腦電、硬膜外經(jīng)元電活動(dòng)信號(hào)等。通過標(biāo)準(zhǔn)頭皮電極集方式，與其它有損傷的方式相比，前易受噪聲干擾，后者由于電極是植入大行開顱手術(shù)，健康者不大可能接受這種癲癇等腦疾病進(jìn)行腦外科手術(shù)的機(jī)會(huì)給前世界上 BCI 實(shí)驗(yàn)室大多采用頭皮電極導(dǎo)聯(lián) 10-20 系統(tǒng)[6]安放在頭皮表面，通常抗小于 5k ，下圖所示為 16 通道國(guó)際

21圖 2.2 采集軟件顯示的 EEG 信號(hào)和眼電信號(hào)Fig 2.2 EEG and EOG signals displayed in acquisition software結(jié)信號(hào)是大腦思維活動(dòng)的一種直接的表現(xiàn)。自從腦電信號(hào)被發(fā)現(xiàn)以來借助于EEG了解大腦的思維機(jī)制，嘗試使用EEG來研究大腦的思維活現(xiàn)，當(dāng)大腦在執(zhí)行不同的意識(shí)任務(wù)的時(shí)候，大腦的兩個(gè)半球發(fā)揮了，通過分析記錄到的人們?cè)谕瓿刹煌庾R(shí)任務(wù)時(shí)的EEG信號(hào)，發(fā)現(xiàn)了現(xiàn)出大腦半球的這種功能差異。因此，有可能利用這種EEG信號(hào)的差效的腦-機(jī)接口的模式。雖然我們?cè)诓簧倏苹眯≌f和電影里看到了人EG完成各種充滿幻想的工作，但是現(xiàn)實(shí)離幻想還有很大的距離。實(shí)際

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 張學(xué)工;關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)[J];自動(dòng)化學(xué)報(bào);2000年01期

2 黃勇;鄭春穎;宋忠虎;;多類支持向量機(jī)算法綜述[J];計(jì)算技術(shù)與自動(dòng)化;2005年04期

3 王興玲,李占斌;基于網(wǎng)格搜索的支持向量機(jī)核函數(shù)參數(shù)的確定[J];中國(guó)海洋大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年05期

4 龍飛,吳小培,范羚;基于獨(dú)立分量分析的腦電噪聲消除[J];生物醫(yī)學(xué)工程學(xué)雜志;2003年03期

5 茍博;黃賢武;;支持向量機(jī)多類分類方法[J];數(shù)據(jù)采集與處理;2006年03期

本文編號(hào)：2741782