【摘要】：腦電信號是億萬個(gè)神經(jīng)元活動(dòng)在大腦皮層的綜合反映，含有豐富的有用信息，并且受內(nèi)分泌系統(tǒng)和神經(jīng)系統(tǒng)支配，，能夠更客觀的反映人的生理狀態(tài)。近年來，腦-機(jī)接口的技術(shù)也逐漸被人們熟知，而腦-機(jī)接口依賴于腦電信號的模式識別，所以腦電信號的識別研究也受到了國內(nèi)外科學(xué)工作者們的廣泛關(guān)注。由于腦電信號是一種非平穩(wěn)并且產(chǎn)生機(jī)理非常復(fù)雜的隨機(jī)信號，所以，如何更有效地提取腦電信號中有用信息并進(jìn)行分類，對于腦電信號的識別研究非常的重要。對腦電信號的識別研究一般分為兩方面：分別是主動(dòng)執(zhí)行任務(wù)產(chǎn)生的腦電和被動(dòng)接收刺激產(chǎn)生的誘發(fā)腦電的信號識別研究。本文對這兩方面的腦電的識別都進(jìn)行了研究，具體的工作如下： 在主動(dòng)執(zhí)行任務(wù)產(chǎn)生的腦電信號識別方面，本文對面向運(yùn)動(dòng)想象的腦電識別進(jìn)行了研究。針對常用的主成分分析(Principle Component Analysis, PCA)腦電特征提取方法沒有有效利用樣本的類別信息，因而對分類貢獻(xiàn)低的問題，本論文采用主成分分析和線性判別分析(Liner Discriminate Analysis,LDA)相結(jié)合方法進(jìn)行特征提取，并將提取的特征送入基于投票機(jī)制的極速學(xué)習(xí)機(jī)(Voting based extreme learning machine, V-ELM)分類器中。在國際腦-機(jī)接口標(biāo)準(zhǔn)數(shù)據(jù)集BCI2003dataset Ia上的實(shí)驗(yàn)結(jié)果顯示：本文采用的特征提取方法與分類算法的識別率達(dá)到了93.52%，該結(jié)果與目前在本數(shù)據(jù)集上最高的識別率92.15%相比，有明顯提升。采用結(jié)合主成分分析與線性判別分析的特征提取方法，與腦電識別領(lǐng)域使用最廣泛的支持向量機(jī)分類算法相比，V-ELM的識別率提升了1.43%，且降低了其大約90%的耗時(shí)。 在被動(dòng)接收刺激產(chǎn)生的誘發(fā)腦電信號識別方面，本文對不同類型視頻節(jié)目誘發(fā)的情感腦電信號識別問題進(jìn)行了研究。論文第四章給出了實(shí)驗(yàn)設(shè)計(jì)和腦電信號采集過程；并依據(jù)心理學(xué)對視聽刺激所影響的腦區(qū)方面的研究成果，在64個(gè)電極中選取了與視聽相關(guān)的FP1、FP2、P1、P2共4個(gè)電極進(jìn)行分析；接著，根據(jù)情感腦電本身攜帶的有效信息主要集中在和β波所屬頻率范圍，對原始腦電信號進(jìn)行了濾波；最后，將小波包方差作為特征提取方法、支持向量機(jī)作為分類方法進(jìn)行視頻誘發(fā)的腦電識別。實(shí)驗(yàn)結(jié)果表明：本文采用的特征提取和分類方法是有效的，兩類平均識別率在71.44%~82.94%，三類識別率達(dá)到了66.07%。
[Abstract]:EEG is a comprehensive reflection of the activity of hundreds of millions of neurons in the cerebral cortex. It contains abundant useful information and is controlled by the endocrine system and nervous system, which can reflect more objectively the physiological state of human beings. In recent years, the brain-computer interface technology is also gradually known, and the brain-computer interface depends on the pattern recognition of EEG, so the research of EEG recognition has been widely concerned by scientists at home and abroad. Because EEG signal is a kind of non-stationary and complex random signal, it is very important to study how to extract useful information from EEG signal and classify it more effectively. The recognition of EEG signals is generally divided into two aspects: one is the EEG generated by active tasks and the other is the signal recognition of evoked EEG produced by passive receiving stimuli. In this paper, the two aspects of EEG recognition are studied, the specific work is as follows: in the field of EEG recognition generated by active tasks, this paper studies EEG recognition oriented to motion imagination. In view of the problem that common principal component analysis (PCA) (Principle Component Analysis, PCA) EEG feature extraction methods do not make effective use of the classification information of the samples, so they have a low contribution to the classification. In this paper, the principal component analysis (PCA) and linear discriminant analysis (Liner Discriminate Analysis,LDA) are used to extract the features, and the extracted features are fed into the (Voting based extreme learning machine, V-ELM classifier based on the voting mechanism. The experimental results on BCI2003dataset Ia, the standard data set of BCI, show that the recognition rate of the feature extraction method and the classification algorithm is 93.52, which is obviously higher than the highest recognition rate of 92.15% in the present data set. By combining principal component analysis (PCA) with linear discriminant analysis (LDA), the recognition rate of VELM is 1.43% higher than that of the most widely used SVM classification algorithm in EEG recognition field, and the time consuming is reduced by 90%. In the aspect of the recognition of evoked EEG signals generated by passive receiving stimuli, the recognition of emotional EEG signals induced by different types of video programs is studied in this paper. The fourth chapter gives the experimental design and EEG acquisition process, and according to the psychological research on the brain area affected by audio-visual stimulation, we select four FP1,FP2,P1,P2 electrodes from 64 electrodes to analyze. According to the effective information carried by emotional EEG itself mainly in the frequency range of 尾 wave, the original EEG signal is filtered. Finally, wavelet packet variance is used as feature extraction method. Support vector machine (SVM) is used as a classification method for video induced EEG recognition. The experimental results show that the feature extraction and classification methods used in this paper are effective. The average recognition rate of the two categories is 71.44 and 82.940.The recognition rate of the three types reaches 66.07.
【學(xué)位授予單位】：北京工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TN911.7

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 黃翠玲;陳新;;腦電信號采集與管理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J];計(jì)算機(jī)與數(shù)字工程;2008年09期

2 梅村，何育芬;腦電信號的自適應(yīng)分段和分類存檔[J];北京郵電大學(xué)學(xué)報(bào);1994年01期

3 梅村，張玉艷，婁瑜;腦電信號的壓縮與恢復(fù)[J];北京郵電大學(xué)學(xué)報(bào);1995年04期

4 沈民奮,黎展程,孫麗莎;小波包熵在腦電信號分析中的應(yīng)用[J];數(shù)據(jù)采集與處理;2005年01期

5 唐艷;湯井田;;基于支持向量機(jī)的腦電信號中左右手判別[J];計(jì)算機(jī)工程與應(yīng)用;2007年34期

6 李亞杰;宋明星;張玉棟;;腦電信號采集系統(tǒng)的設(shè)計(jì)[J];河北建筑工程學(xué)院學(xué)報(bào);2014年01期

7 周紅標(biāo);陳若珠;李軍紅;;基于小波包變換的癲癇腦電信號特征提取[J];電子測量技術(shù);2009年10期

8 吳婷;顏國正;楊幫華;;一種快速的腦電信號特征提取與分類方法[J];系統(tǒng)仿真學(xué)報(bào);2007年18期

9 周衛(wèi)東，張敏瓊，趙仕忠，馬保福，熊偉，高杰;腦電信號反饋控制裝置的設(shè)計(jì)[J];山東電子;1995年03期

10 吳芝芳,孔蘭,鄭旭媛,李軍,陳世峻,陶華英;提取腦電信號的新方法研究─—自適應(yīng)卡爾曼濾波[J];信號處理;1994年04期

相關(guān)會(huì)議論文 前10條

1 薛蘊(yùn)全;王秋英;王宏;;腦電信號的動(dòng)態(tài)時(shí)空響應(yīng)拓?fù)鋱D[A];中國儀器儀表學(xué)會(huì)第三屆青年學(xué)術(shù)會(huì)議論文集（上）[C];2001年

2 王裕清;粱平;郭付清;張登攀;;腦電信號診斷專家系統(tǒng)的研究[A];中國生理學(xué)會(huì)第21屆全國代表大會(huì)暨學(xué)術(shù)會(huì)議論文摘要匯編[C];2002年

3 朱林劍;包海濤;孫守林;梁豐;;新型腦電信號采集方法與應(yīng)用研究[A];大連理工大學(xué)生物醫(yī)學(xué)工程學(xué)術(shù)論文集（第2卷）[C];2005年

4 許濤;朱林劍;包海濤;;基于思維腦電信號的假手的研究[A];提高全民科學(xué)素質(zhì)、建設(shè)創(chuàng)新型國家——2006中國科協(xié)年會(huì)論文集（下冊）[C];2006年

5 李愛新;孫鐵;郭炎峰;;基于人工神經(jīng)網(wǎng)絡(luò)的腦電信號模式分類[A];自動(dòng)化技術(shù)與冶金流程節(jié)能減排——全國冶金自動(dòng)化信息網(wǎng)2008年會(huì)論文集[C];2008年

6 童珊;黃華;陳槐卿;;混沌理論在腦電信號分析中的應(yīng)用[A];中國生物醫(yī)學(xué)工程學(xué)會(huì)第六次會(huì)員代表大會(huì)暨學(xué)術(shù)會(huì)議論文摘要匯編[C];2004年

7 李凌;曾慶寧;堯德中;;利用兩級抗交叉串?dāng)_自適應(yīng)濾波器提取誘發(fā)腦電信號[A];中國生物醫(yī)學(xué)工程學(xué)會(huì)第六次會(huì)員代表大會(huì)暨學(xué)術(shù)會(huì)議論文摘要匯編[C];2004年

8 葛家怡;周鵬;王明時(shí);;睡眠腦電信號樣本熵的研究[A];中國生物醫(yī)學(xué)工程進(jìn)展——2007中國生物醫(yī)學(xué)工程聯(lián)合學(xué)術(shù)年會(huì)論文集（下冊）[C];2007年

9 李麗君;黃思娟;吳效明;熊冬生;;基于運(yùn)動(dòng)想象的腦電信號特征提取與分類[A];中國儀器儀表學(xué)會(huì)醫(yī)療儀器分會(huì)2010兩岸四地生物醫(yī)學(xué)工程學(xué)術(shù)年會(huì)論文集[C];2010年

10 葛家怡;周鵬;王明時(shí);;睡眠腦電信號樣本熵的研究[A];天津市生物醫(yī)學(xué)工程學(xué)會(huì)2007年學(xué)術(shù)年會(huì)論文摘要集[C];2007年

相關(guān)重要報(bào)紙文章 前1條

1 張文清　記者 王春;意念控制車速及左右轉(zhuǎn)彎前行[N];科技日報(bào);2008年

相關(guān)博士學(xué)位論文 前10條

1 吳畏;基于統(tǒng)計(jì)建模的多導(dǎo)聯(lián)腦電信號時(shí)空建模方法研究[D];清華大學(xué);2012年

2 周群;腦電信號同步：方法及應(yīng)用研究[D];電子科技大學(xué);2009年

3 趙麗;基于腦電信號的腦-機(jī)接口技術(shù)研究[D];天津大學(xué);2004年

4 歐陽高翔;癲癇腦電信號的非線性特征識別與分析[D];燕山大學(xué);2010年

5 繆曉波;基于腦電信號的認(rèn)知?jiǎng)恿W(xué)系統(tǒng)研究——線性/非線性方法及動(dòng)態(tài)時(shí)—頻—空分析[D];重慶大學(xué);2004年

6 張美云;阿爾茨海默病腦電信號多尺度時(shí)空定量特征研究[D];天津醫(yī)科大學(xué);2012年

7 游榮義;腦電信號非線性分析方法的研究[D];廈門大學(xué);2003年

8 葛家怡;睡眠分期及低頻磁場睡眠誘導(dǎo)的研究[D];天津大學(xué);2009年

9 唐艷;基于時(shí)間、頻率和空間域的自發(fā)腦電信號提取[D];中南大學(xué);2008年

10 石立臣;基于腦電信號的警覺度估計(jì)研究[D];上海交通大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 吳堅(jiān);獨(dú)立分量分析在腦電信號處理中的應(yīng)用[D];長安大學(xué);2009年

2 楊超;腦電信號相關(guān)方法的魯棒性分析[D];燕山大學(xué);2009年

3 涂建成;腦電信號控制智能輪椅的研究[D];杭州電子科技大學(xué);2011年

4 張倩華;腦電信號的非廣度熵分析[D];汕頭大學(xué);2004年

5 朱家富;高頻腦電信號的非線性動(dòng)力學(xué)參數(shù)分析[D];重慶大學(xué);2004年

6 李婷;獨(dú)立分量分析及其在腦電信號噪聲分離中的應(yīng)用[D];大連理工大學(xué);2005年

7 韓偉;睡眠腦電信號的分析與處理方法[D];西北工業(yè)大學(xué);2005年

8 何付志;獨(dú)立分量分析在腦電信號分析中的應(yīng)用[D];山東大學(xué);2005年

9 孔繁偉;基于小波變換的腦電信號處理研究[D];山東大學(xué);2005年

10 陳永華;腦電信號采集方法及其在假肢中應(yīng)用研究[D];大連理工大學(xué);2006年

本文編號：2244728