【摘要】：腦機(jī)接口(BCI)技術(shù)對(duì)于運(yùn)動(dòng)功能障礙患者的康復(fù)治療有重要的價(jià)值,但在目前應(yīng)用中仍面臨識(shí)別精度、識(shí)別動(dòng)作類別以及實(shí)時(shí)性等挑戰(zhàn)。本文對(duì)運(yùn)動(dòng)想象BCI中的模式識(shí)別方法進(jìn)行研究,包括運(yùn)動(dòng)想象腦電(EEG)信號(hào)的眼電偽跡(OA)去除、特征提取和模式分類方法,主要工作如下:(1)針對(duì)EEG信號(hào)采集過(guò)程中常受OA干擾的問(wèn)題,提出一種基于離散小波變換(DWT)和獨(dú)立成分分析(ICA)結(jié)合的OA去除方法。首先利用DWT對(duì)EEG信號(hào)進(jìn)行分解,基于分解的小波系數(shù)重構(gòu)EEG信號(hào)的δ、θ、α、β和γ波段,并通過(guò)峭度值和Renyi熵指標(biāo)篩選出含有偽跡的波段,接著采用ICA方法對(duì)這些波段的偽跡進(jìn)行移除,最后重構(gòu)OA去除后的EEG信號(hào)。國(guó)際BCI競(jìng)賽數(shù)據(jù)分析結(jié)果表明該方法能夠有效去除EEG信號(hào)中的OA成分。(2)考慮到EEG信號(hào)具有非線性、非平穩(wěn)性的特點(diǎn),提出一種基于D-S證據(jù)理論的多域融合左右手運(yùn)動(dòng)想象腦電分類方法。首先分別提取EEG信號(hào)的時(shí)域特征、AR模型特征和DWT特征,基于獲取的三種特征集分別構(gòu)建概率輸出支持向量機(jī)(SVM)分類模型,其次利用D-S證據(jù)理論對(duì)各SVM的輸出進(jìn)行融合,最后根據(jù)決策規(guī)則確定樣本的類別。通過(guò)3個(gè)BCI競(jìng)賽數(shù)據(jù)庫(kù)對(duì)所提方法進(jìn)行驗(yàn)證,結(jié)果表明該方法能有效提高左右手運(yùn)動(dòng)想象EEG信號(hào)的分類準(zhǔn)確率,并具有較強(qiáng)的個(gè)體適應(yīng)性。(3)針對(duì)多類EEG信號(hào)特征提取困難、識(shí)別率低的問(wèn)題,提出一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)和SVM結(jié)合的多類腦電分類方法,該方法結(jié)合了CNN自提取特征和SVM小樣本學(xué)習(xí)的優(yōu)點(diǎn)。首先設(shè)計(jì)用于提取EEG信號(hào)特征的CNN結(jié)構(gòu),其次采用主成分分析對(duì)提取的特征進(jìn)行降維處理,最后通過(guò)SVM進(jìn)行動(dòng)作模式識(shí)別。BCI競(jìng)賽提供的4類運(yùn)動(dòng)想象腦電數(shù)據(jù)分析結(jié)果表明該方法在多類EEG信號(hào)分類中能獲得更高的識(shí)別率,為深度學(xué)習(xí)方法在BCI中的應(yīng)用提供了思路。(4)針對(duì)同側(cè)手部動(dòng)作難以識(shí)別的問(wèn)題,基于混合BCI思想提出一種EEG和肌電(EMG)信號(hào)融合的同側(cè)手部動(dòng)作識(shí)別方法。首先同步采集3名受試者4類動(dòng)作模式下的EEG和EMG信號(hào)并對(duì)其進(jìn)行預(yù)處理,其次分別提取EEG的時(shí)域特征、AR模型特征和DWT特征以及EMG的積分肌電值特征和樣本熵特征,接著利用主成分分析和稀疏自編碼將兩者特征進(jìn)行融合,最后將融合特征輸入SVM進(jìn)行動(dòng)作識(shí)別。實(shí)驗(yàn)結(jié)果表明腦肌電融合策略能夠有效識(shí)別同側(cè)手部動(dòng)作。
【學(xué)位授予單位】：東南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：R318;TN911.7
【圖文】：

號(hào)根據(jù)電位產(chǎn)生機(jī)理可以分為自發(fā)性和誘發(fā)性兩類，顧名思義，自發(fā)性發(fā)性活動(dòng)引起電位變化而產(chǎn)生的，如皮層慢電位、運(yùn)動(dòng)想象 EEG 信號(hào)號(hào)是在外界刺激下引起的電位活動(dòng)產(chǎn)生的，例如視覺(jué)誘發(fā)電位、P300 發(fā)性 EEG 信號(hào)可根據(jù)頻率范圍分為 、θ、 、β 和 γ 五個(gè)波段[11]，表圍和特點(diǎn)進(jìn)行了總結(jié)。表 1.1 自發(fā)性 EEG 信號(hào)各波段特點(diǎn)G 波段 頻率范圍/Hz 幅值范圍/μV 特點(diǎn)波 0.5~4 20~200 睡眠、缺氧、大腦器質(zhì)性病變出θ 波 4~8 20~150 疲倦、缺氧時(shí)出現(xiàn)波 8~13 20~100 清醒、放松、閉目時(shí)出現(xiàn)β 波 14~30 5~20 思考、高度緊張時(shí)出現(xiàn)γ 波 >30 10~100 大腦皮層高度興奮時(shí)出現(xiàn)號(hào)的采集方法分為非植入式和植入式采集，非植入式采集即將電極置于稱為頭皮腦電；植入式采集較為復(fù)雜，通過(guò)手術(shù)措施將電極置于腦皮深淺，獲得的信號(hào)分為大腦皮層硬腦膜腦電信號(hào)（Electrocorticogram,腦電信號(hào)（包括局部神經(jīng)元信號(hào) LFP 和單個(gè)神經(jīng)元信號(hào) Spike）[2]，如圖法相比，非植入式方法具有無(wú)損傷、操作簡(jiǎn)單的優(yōu)點(diǎn)，同時(shí)也帶來(lái)分及信噪比低等缺點(diǎn)。目前，非植入式采集方法是實(shí)驗(yàn)室研究中普遍采

圖 1.4 Graz 大學(xué)上肢康復(fù)系統(tǒng)[19]圖 1.5 布朗大學(xué)植入式 BCI 系統(tǒng)[20]2012 年，加拿大研究人員設(shè)計(jì)了一種便攜式 BCI 手臂康復(fù)系統(tǒng)，見(jiàn)圖 1.7，系統(tǒng)想象 EEG 和 EMG 信號(hào)，進(jìn)一步提高了系統(tǒng)的識(shí)別率，為中風(fēng)患者家庭式治療帶； 2016 年，“再次行走計(jì)劃”在 Nature 子刊上報(bào)告了最新研究成果[23]，8 名脊髓 BCI 仿生外骨骼及 VR 技術(shù)的幫助下恢復(fù)了部分下肢肌肉感知功能。圖 1.6 基于 BCI 技術(shù)的汽車緊急制動(dòng)系統(tǒng)[21]圖 1.7 便攜式 BCI 手臂康復(fù)系統(tǒng)[22國(guó)內(nèi)運(yùn)動(dòng)想象 BCI 技術(shù)的研究雖起步較晚，但在康復(fù)醫(yī)療領(lǐng)域也取得了較好的發(fā)展清華大學(xué)的馬峗等開(kāi)發(fā)了一套基于 BCI 技術(shù)的虛擬現(xiàn)實(shí)康復(fù)平臺(tái)[24]，通過(guò)實(shí)驗(yàn)者

【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 夏德玲;孟慶芳;牛賀功;魏英達(dá);劉海紅;;基于Lempel-Ziv復(fù)雜度和經(jīng)驗(yàn)?zāi)B(tài)分解的癲癇腦電信號(hào)的檢測(cè)方法[J];計(jì)算物理;2015年06期

2 徐永紅;崔潔;洪文學(xué);梁會(huì)娟;;基于改進(jìn)多元多尺度熵的癲癇腦電信號(hào)自動(dòng)分類[J];生物醫(yī)學(xué)工程學(xué)雜志;2015年02期

3 王月茹;李昕;李紅紅;邵成成;應(yīng)立娟;吳水才;;基于時(shí)-頻-空間域的運(yùn)動(dòng)想象腦電信號(hào)特征提取方法研究[J];生物醫(yī)學(xué)工程學(xué)雜志;2014年05期

4 岳敬偉;周宗潭;張成崗;胡德文;;腦機(jī)協(xié)調(diào)控制技術(shù)及其軍事應(yīng)用前景[J];國(guó)防科技;2013年06期

5 劉小燮;畢勝;高小榕;楊志;閆錚;寇程;馬林;高上凱;;基于運(yùn)動(dòng)想象的腦機(jī)交互康復(fù)訓(xùn)練新技術(shù)對(duì)腦卒中大腦可塑性影響[J];中國(guó)康復(fù)醫(yī)學(xué)雜志;2013年02期

6 楊鑫;吳邊;陳衛(wèi)東;張韶岷;代建華;鄭筱祥;;腦機(jī)接口技術(shù)在航天領(lǐng)域的潛在應(yīng)用[J];載人航天;2012年03期

7 施錦河;沈繼忠;王攀;;四類運(yùn)動(dòng)想象腦電信號(hào)特征提取與分類算法[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2012年02期

8 馬

本文編號(hào)：2730147