【摘要】：腦-機(jī)接口(brain computer interface, BCI是實(shí)現(xiàn)腦與計算機(jī)之間直接通信的系統(tǒng),它不依賴于正常的由外周神經(jīng)和肌肉組成的生理輸出通路,通過腦電信號(Electroencephalogram, EEG)來反映人的意識活動,是一種全新的通信和控制方式。它涉及腦科學(xué)、人機(jī)控制、康復(fù)醫(yī)學(xué)、生物醫(yī)學(xué)等多個學(xué)科,既是人類了解和提高腦功能的重要途徑,也可以幫助殘疾人或者運(yùn)動障礙患者控制外部裝置,提高生活質(zhì)量,同時在特殊條件下也可以作為正常人的輔助控制手段,在多個領(lǐng)域有著廣泛的應(yīng)用前景。 EEG信號是大腦皮層產(chǎn)生的微弱的電信號,它可以通過安置在頭皮表面的電極記錄到。BCI系統(tǒng)的實(shí)質(zhì)是識別特定模式下的EEG信號,然后按預(yù)設(shè)規(guī)則轉(zhuǎn)化為特定的外部信息,主要包括EEG信號的采集、預(yù)處理、特征提取、特征選擇和分類、外部設(shè)備的控制等環(huán)節(jié)。在BCI涉及的技術(shù)中,信號識別最為重要,關(guān)系到能否將輸入正確地轉(zhuǎn)換為輸出。本論文主要對EEG信號預(yù)處理、特征提取、特征選擇和分類等環(huán)節(jié)作深入的研究,以提高BCI的分類正確率,通過BCI競賽數(shù)據(jù)驗(yàn)證提出方法的有效性。 EEG信號預(yù)處理是去除與EEG無關(guān)的噪聲信號的過程,它為后續(xù)處理提供良好的源信號。本文提出了基于獨(dú)立分量分析(Independent Component Analysis, ICA)和時頻分析方法相結(jié)合的EEG信號預(yù)處理方法,該方法可以將噪聲信號以獨(dú)立分量的形式表示并通過時頻分析方法定量的確定噪聲分量。結(jié)合實(shí)驗(yàn)采集的16導(dǎo)聯(lián)EEG信號,分別利用FastICA算法和擴(kuò)展的Infomax算法對EEG信號進(jìn)行ICA分解,利用Choi-Williams分布確定出干擾分量,將干擾分量置零并還原EEG信號。通過對濾除干擾后各導(dǎo)聯(lián)EEG信號進(jìn)行分析,證明了本文所提出方法的有效性。 特征提取的目的是將EEG信號變換為能代表不同意識任務(wù)的特征向量,它是EEG信號識別中的最為關(guān)鍵的一步,直接影響特征選擇方法以及分類器的設(shè)計。本文在基于小波包子帶能量的EEG信號特征提取基礎(chǔ)上,對導(dǎo)聯(lián)進(jìn)行選擇和組合,提取組合導(dǎo)聯(lián)的小波包子帶能量,證明了利用導(dǎo)聯(lián)間的關(guān)聯(lián)信息作為特征,可以提高分類正確率；進(jìn)而又提出了基于小波包子帶的共空間模式特征提取方法,將EEG信號的頻率特性和導(dǎo)聯(lián)間的關(guān)聯(lián)性更緊密的結(jié)合起來,對提取到的特征進(jìn)行分類,得到了更高的分類正確率。通過對2005 BCI大賽的Data Set IVb數(shù)據(jù)進(jìn)行驗(yàn)證,證明了本文所提出方法的有效性。 特征選擇是將特征提取結(jié)果進(jìn)行進(jìn)一步選擇,得到更有效特征的過程,特征分類是依據(jù)輸入的特征,確定特征應(yīng)該歸屬的類別。本文以基于小波包子帶的共空間模式方法提取的特征為原始特征,在遺傳算法的基礎(chǔ)上提出了優(yōu)選基因單體變異的EEG信號特征選擇方法,以K-近鄰(K-nearest neighbors, KNN)分類器的結(jié)果作為適應(yīng)度函數(shù)值,作為優(yōu)秀單體進(jìn)化結(jié)果的判據(jù),得到了分類正確率更高的特征組合,證明了提出方法的有效性,又利用學(xué)習(xí)矢量量化(learning vector quantization, LVQ)神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)(support vector machines, SVM)的分類結(jié)果作為適應(yīng)度函數(shù)值的判據(jù),通過實(shí)驗(yàn)結(jié)果對3種分類器的性能進(jìn)行比較。 最后設(shè)計了基于不同頻率聲音刺激的運(yùn)動想象BCI實(shí)驗(yàn)平臺和實(shí)驗(yàn)方案,按本文所提出的方法對記錄到的16導(dǎo)聯(lián)的EEG數(shù)據(jù)進(jìn)行處理,通過對多名實(shí)驗(yàn)者實(shí)驗(yàn)數(shù)據(jù)的分析,證明本文所述方法在導(dǎo)聯(lián)數(shù)大幅減少的條件下也可以獲得較高的分類正確率,提高了處理速度,為在線BCI的研究提供了基礎(chǔ)。
【學(xué)位授予單位】：東北大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2010
【分類號】：TP334.7
【圖文】：

圖1.1腦一機(jī)接口示意圖F19.1.1SketchmaPofbrain一comPuterinterface機(jī)接口的研究現(xiàn)狀概念產(chǎn)生于1973年，隨著計算機(jī)科學(xué)和信號處理技術(shù)的幾年得到了較為迅速的發(fā)展，由于在人機(jī)控制、康復(fù)工程、

利用該節(jié)律完成一些應(yīng)用如一維光標(biāo)控制、二維光標(biāo)控制、回答一些簡單的問題及從屏幕菜單中進(jìn)行選擇[’”一2’]。利用林節(jié)律與p節(jié)律的BCI系統(tǒng)，在使用時需要訓(xùn)練，不同的使用者的訓(xùn)練時間也不一樣，一般為幾周。圖1.2為利用林節(jié)律和p節(jié)律控制光標(biāo)的垂直運(yùn)動，從而實(shí)現(xiàn)虛擬打字操作。

圖1.3改進(jìn)的基于P3OO的BCI刺激矩陣F19.1.3Sti一刀L一lated萬nat一ixofi一刀ProvedBCIbasedonP300纂于P30解內(nèi)BCI的優(yōu)點(diǎn)是，準(zhǔn)確率通常比較高(雕確率可以達(dá)到100%)，訓(xùn)練就可產(chǎn)生P300，但P300有一可能隨著時間發(fā)生變化。因此，這類BCI具有能力是非常重要的，而且這種信號誘發(fā)方法，要求使用者精力完全集中到矩能有外界干擾，這使患者容易產(chǎn)生疲勞，影響檢測結(jié)果。.2.5利用視覺誘發(fā)電位(visualevokedpotentials，VEp)視覺誘發(fā)電位(visualevokedpotential，VEP)是指神經(jīng)系統(tǒng)接受視覺刺激激等)所產(chǎn)生的特定電活動。根據(jù)刺激頻率的高低，可以將VEP分為瞬態(tài)VEP(steady一StateVEP，SSVEP)。前者的刺激間隔大于VEP的持續(xù)時間，刺激超過ZHz;當(dāng)刺激頻率超過6HZ時，每次刺激引起的VEP在時間上發(fā)生重疊，VEP，SSVEP具有明顯的周期性，其頻譜含有一系列與刺激頻率成整數(shù)倍的在顯示裝置上顯示多個選項(xiàng)。使用者注視希望選擇的一項(xiàng)，通過對顯示方

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 韋妍;;人臉表情識別概述[J];網(wǎng)絡(luò)安全技術(shù)與應(yīng)用;2011年08期

2 吳春輝;陳洪生;;基于內(nèi)容的音頻檢索技術(shù)研究[J];咸寧學(xué)院學(xué)報;2011年06期

3 劉勁;陳瑛琦;扶曉;;虹膜特性提取階段的小波多尺度特征量化算法[J];電腦編程技巧與維護(hù);2011年14期

4 賈志先;;基于支持向量機(jī)的空白試卷識別方法[J];山西大學(xué)學(xué)報(自然科學(xué)版);2011年03期

5 胡進(jìn);胡桂明;毛世榕;;BP神經(jīng)網(wǎng)絡(luò)在說話者識別中的應(yīng)用[J];裝備制造技術(shù);2011年09期

6 王瑞瑞;馬建文;陳雪;;多源遙感影像自動配準(zhǔn)技術(shù)的研究進(jìn)展[J];遙感信息;2011年03期

7 劉勁;趙蕾;扶曉;;基于小波模極值的虹膜特征提取算法[J];電腦編程技巧與維護(hù);2011年16期

8 蔣強(qiáng)榮;高遠(yuǎn);張鴻賓;;基于直方圖交核的人臉識別[J];北京工業(yè)大學(xué)學(xué)報;2011年08期

9 黑光月;;基于方向平面特征的脫機(jī)女書識別方法研究[J];電腦知識與技術(shù);2011年25期

10 胡洋;吳黎慧;高磊;蒲南江;;基于SVM的語音情感識別研究[J];電子測試;2011年09期

相關(guān)會議論文 前10條

1 張明之;劉雨東;蔡悅斌;;一種基于小波包技術(shù)的艦船噪聲目標(biāo)分類特征提取方法[A];水下噪聲學(xué)術(shù)論文選集（1985-2005）[C];2005年

2 朱紅娟;蘇立軍;李芬華;陳麗;;基于小波包的超聲圖像特征提取[A];第七屆全國信息獲取與處理學(xué)術(shù)會議論文集[C];2009年

3 林土勝;賴聲禮;;視網(wǎng)膜血管特征提取的拆支跟蹤法[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

4 錢小聰;鄭寶玉;穆明鑫;;神經(jīng)網(wǎng)絡(luò)聯(lián)機(jī)手寫簽名驗(yàn)證[A];第十屆全國信號處理學(xué)術(shù)年會（CCSP-2001）論文集[C];2001年

5 張羽;汪源源;王威琪;余建國;林繼耕;;狹窄血管多普勒信號特征提取的實(shí)驗(yàn)研究[A];21世紀(jì)醫(yī)學(xué)工程學(xué)術(shù)研討會論文摘要匯編[C];2001年

6 柳林霞;陳杰;竇麗華;;不變矩理論及其在目標(biāo)識別中的應(yīng)用[A];2002中國控制與決策學(xué)術(shù)年會論文集[C];2002年

7 楊日杰;施建禮;林洪文;;一種雷達(dá)視頻回波特征提取方法研究[A];中國航空學(xué)會信號與信息處理專業(yè)全國第八屆學(xué)術(shù)會議論文集[C];2004年

8 代克杰;張紅梅;盛賽斌;;基于BP網(wǎng)絡(luò)的故障特征提取方法研究[A];2004中國控制與決策學(xué)術(shù)年會論文集[C];2004年

9 何新;史迎春;周獻(xiàn)中;;一種基于獨(dú)立分量分析的音頻分類方法[A];第一屆建立和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2005）論文集[C];2005年

10 朱曉霞;孫同景;陳桂友;;基于支持向量機(jī)理論的兩級指紋分類實(shí)現(xiàn)方法[A];第16屆中國過程控制學(xué)術(shù)年會暨第4屆全國故障診斷與安全性學(xué)術(shù)會議論文集[C];2005年

相關(guān)重要報紙文章 前10條

1 燕海霞；王憶勤；李福鳳;脈象信號研究日漸深入[N];中國醫(yī)藥報;2005年

2 沈占鋒;遙感影像信息提取與分析[N];計算機(jī)世界;2006年

3 王竣;深入開發(fā)CAD系統(tǒng)對疾病診斷有重要意義[N];中國醫(yī)藥報;2007年

4 北京數(shù)碼空間信息技術(shù)有限公司技術(shù)總監(jiān) 劉斌;Web Mining：第二代網(wǎng)絡(luò)信息處理技術(shù)[N];計算機(jī)世界;2000年

5 孫哲南　譚鐵牛;生物識別的十大關(guān)鍵技術(shù)[N];計算機(jī)世界;2007年

6 上海 高博;讓電腦“聽懂”人話[N];電腦報;2008年

7 記者 何騰江　通訊員 周匯成;驗(yàn)鈔新技術(shù)通過鑒定[N];中山日報;2008年

8 本報記者 劉洪宇;當(dāng)機(jī)器聽懂了我們的聲音[N];遼寧日報;2008年

9 林木樹;反垃圾郵件有待新突破[N];人民郵電;2004年

10 方忠誠;OCR技術(shù)及其應(yīng)用[N];北京電子報;2000年

相關(guān)博士學(xué)位論文 前10條

1 蔣永華;旋轉(zhuǎn)機(jī)械非平穩(wěn)信號微弱特征提取方法研究[D];重慶大學(xué);2010年

2 趙玲;旋轉(zhuǎn)機(jī)械系統(tǒng)故障特征提取中的分形方法研究[D];重慶大學(xué);2010年

3 趙志宏;基于振動信號的機(jī)械故障特征提取與診斷研究[D];北京交通大學(xué);2012年

4 隋文濤;滾動軸承表面損傷故障的特征提取與診斷方法研究[D];山東大學(xué);2011年

5 張旗;基于屬性的圖像分類研究[D];大連海事大學(xué);2005年

6 張立福;通用光譜模式分解算法及植被指數(shù)的建立[D];武漢大學(xué);2005年

7 蘇彩紅;墻地磚質(zhì)量自動檢測技術(shù)的研究[D];華南理工大學(xué);2004年

8 宋余慶;醫(yī)學(xué)圖像數(shù)據(jù)挖掘若干技術(shù)研究[D];東南大學(xué);2005年

9 宋晴;基于液滴分析技術(shù)和液滴指紋圖的液體識別方法的研究[D];天津大學(xué);2005年

10 吳婷;自發(fā)腦電腦機(jī)接口模式識別關(guān)鍵技術(shù)與實(shí)驗(yàn)研究[D];上海交通大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 李旭朋;往復(fù)式壓縮機(jī)氣閥故障診斷的小波包分析方法[D];北京化工大學(xué);2008年

2 殷麗莉;小波網(wǎng)絡(luò)用于水下目標(biāo)識別的研究[D];哈爾濱工程大學(xué);2007年

3 劉一;基于小波分析的汽輪機(jī)故障診斷研究[D];河北工程大學(xué);2010年

4 牛峻峰;基于小波的某水下運(yùn)載器振動信號的分析研究[D];中北大學(xué);2009年

5 王曉晶;支持向量機(jī)在腦功能模式識別和分類中的研究[D];天津師范大學(xué);2009年

6 舒苗淼;基于振動信號的柴油機(jī)小波神經(jīng)網(wǎng)絡(luò)故障診斷研究[D];中北大學(xué);2009年

7 陳玲玲;基于支持向量機(jī)的下肢肌電信號模式識別的研究[D];河北工業(yè)大學(xué);2006年

8 王翔;小波分析在拖拉機(jī)齒輪箱自動故障診斷中的應(yīng)用[D];江蘇大學(xué);2002年

9 盧衛(wèi)萍;基于小波神經(jīng)網(wǎng)絡(luò)的齒輪箱故障診斷研究[D];燕山大學(xué);2009年

10 牟冬英;漁探儀的信號探測與識別[D];哈爾濱工程大學(xué);2005年

本文編號：2807082