【摘要】：腦機接口(Brain Computer Interface,BCI)技術是一種不依賴除大腦以外的肌肉和神經,在大腦與計算機或其它電子設備之間建立直接交流的人機交互技術。該技術的應用前景廣闊,包括幫助殘障人士進行康復治療,加速人類對大腦的探索,快速進行目標檢測等不同應用方向,是一項值得深入研究的課題。根據腦電信號(Electroencephalogram,EEG)產生方式的不同BCI系統(tǒng)有著不同的分類,本文研究的是自發(fā)式BCI中的運動想象(Motor Imaginary,MI)系統(tǒng),即受試者在內心反復想象肢體運動但實際保持靜止,采集該過程中大腦皮層產生的腦電信號,分析其攜帶特征從而對不同想象任務進行分類。目前,以運動想象EEG信號作為待分類信號的BCI系統(tǒng)大多按照手動選擇特征明顯的導電極通道(C3,C4區(qū)域附近通道)進行預處理,在選取的通道上尋找適合的特征提取算法,根據提取的特征在多種不同的分類算法中選擇效果最佳分類器的步驟進行BCI系統(tǒng)的設計。該方式在單名受試者EEG信號的二分類問題上準確率普遍集中在72%-85%之間,但是存在選擇通道憑經驗、特征提取不完全、不同受試者差異大等多種問題。針對這些問題本文選擇可以從數據中自動學習特征并進行分類的深度學習算法進行研究,實驗只需設計一個分類器且無需手動選擇通道,簡化了BCI系統(tǒng)的設計流程。本文的工作主要分為三部分。第一部分深入系統(tǒng)的了解了運動想象腦電信號產生的機制和特性,并由此設計EEG信號的采集實驗。對采集到的EEG信號進行簡單的時域分析、頻域分析、及時頻分析。剔除異常樣本后采用小波重構的方式對運動想象EEG信號的特定頻段進行提取;第二部分本文根據運動想象腦電信號的特點著重探討了卷積神經網絡(CNN)及長期短期記憶網絡(LSTM)兩種分類算法。本文在深入的分析了選擇該算法的原因后,設計了多種不同的網絡結構并分別在單人和多人上進行訓練。通過對實驗結果的分析選擇最優(yōu)的網絡結構,并嘗試分析該結構效果相較其他結構有優(yōu)勢的原因;第三部分采用了一種綜合時域、頻域及空域的腦電信號處理方法。該方法用于分析由腦電信號按時間順序轉化成的一系列功率譜圖,將CNN算法與LSTM算法結合提取更全面的特征。實驗發(fā)現(xiàn)該算法在單人和多人訓練的分類準確率上都有很大的提升,具有更好的魯棒性。該方法可作為通用的EEG信號處理方法,為腦電信號的分類提供了一種新穎的思路。
【學位授予單位】：哈爾濱工程大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：R318;TN911.7
【圖文】：

1.1 研究背景與意義1.1.1 腦機接口簡介腦機接口（Brain-Computer Interface, BCI）是大腦與外部設備（計算機或其他電子設備）間通過大腦活動時產生的信號建立起的一種通訊控制系統(tǒng)。該系統(tǒng)不依賴除大腦以外的肌肉和神經[1]，在大腦與機器間建立直接的交流，是一種新型的，高端的人機交互方式。完整的 BCI 系統(tǒng)如下圖 1.1 所示，它包括：信號采集部分、特征提取部分、模式識別部分和控制命令輸出等四部分[2]。大腦進行思維活動主要依賴于中樞神經系統(tǒng)。當人類進行不同的思維活動時，腦中的神經活動模式不同，神經活動所產生的信號就不同。理論上 BCI 系統(tǒng)可以通過各種傳感器等信號采集設備監(jiān)測神經活動所產生的信號，通過對該信號的分析處理，即下圖中的特征提取和模式識別兩部分，將信號按不同的思維活動進行分類從而產生相應的控制命令，完成用戶與外部設備的交互任務。圖 1.1 中的反饋環(huán)節(jié)并不是必要的，它通常應用于在線的 BCI 系統(tǒng)中，使用戶可以清楚地看到自己的思維對應的控制結果。如果結果與預期不同，用戶可以及時對自己的思維進行調節(jié)，具有更好的用戶體驗。

第 2 章 腦電信號采集及預處理第 2 章 腦電信號采集及預處理2.1 腦機接口生理基礎2.1.1 人腦結構及皮質層分區(qū)人類大腦的結構可分為左右兩個腦半球，每個腦半球又可以根據位置劃分成四個腦葉區(qū)域，分別是：額葉、顳葉、頂葉、枕葉[51]，如下圖 2.1 所示。腦葉區(qū)域中蘊含著可以承擔不同任務的神經中樞，從而在大腦皮質層上形成了分區(qū)專司的現(xiàn)象[2]，如下圖 2.2所示。

第 2 章 腦電信號采集及預處理第 2 章 腦電信號采集及預處理2.1 腦機接口生理基礎2.1.1 人腦結構及皮質層分區(qū)人類大腦的結構可分為左右兩個腦半球，每個腦半球又可以根據位置劃分成四個腦葉區(qū)域，分別是：額葉、顳葉、頂葉、枕葉[51]，如下圖 2.1 所示。腦葉區(qū)域中蘊含著可以承擔不同任務的神經中樞，從而在大腦皮質層上形成了分區(qū)專司的現(xiàn)象[2]，如下圖 2.2所示。

【參考文獻】

相關期刊論文 前10條

1 阮曉鋼;薛坤;;穩(wěn)態(tài)視覺誘發(fā)腦機接口特征提取方法的研究[J];北京生物醫(yī)學工程;2015年06期

2 徐鑫;方慧娟;;P300的BCI漢字在線輸入系統(tǒng)[J];華僑大學學報(自然科學版);2015年03期

3 劉瓏;李勝;王軼卿;;基于小波包變換的腦電波信號降噪及特征提取[J];計算機工程與科學;2015年04期

4 晏強;周冬梅;;信號分析中小波變換基函數選擇研究[J];電腦與電信;2012年03期

5 李曉歐;;基于獨立分量分析和共同空間模式的腦電特征提取方法[J];生物醫(yī)學工程學雜志;2010年06期

6 劉沖;趙海濱;李春勝;王宏;;基于CSP與SVM算法的運動想象腦電信號分類[J];東北大學學報(自然科學版);2010年08期

7 關俊強;楊幫華;馬世偉;袁玲;;基于PCA及SVM的運動想象腦電信號識別研究[J];北京生物醫(yī)學工程;2010年03期

8 堯德中;劉鐵軍;雷旭;楊平;徐鵬;張楊松;;基于腦電的腦-機接口:關鍵技術和應用前景[J];電子科技大學學報;2009年05期

9 葛瑜;劉楊;周宗潭;胡德文;;用于腦-機接口P300實驗的支持向量機分類方法[J];計算機工程與設計;2008年11期

10 李婷;邱天爽;;基于帶參考信號的ICA算法的腦電信號眨眼偽差的分離研究[J];中國生物醫(yī)學工程學報;2006年03期

相關博士學位論文 前5條

1 成敏敏;基于EEG的情緒信息特征及其分類方法研究[D];東南大學;2017年

2 張瑞;面向重度殘疾人的腦機接口功能輔助研究[D];華南理工大學;2016年

3 郭曉靜;獨立分量分析在腦—機接口中的應用研究[D];安徽大學;2010年

4 王磊;基于運動想象的腦電信號分類與腦機接口技術研究[D];河北工業(yè)大學;2009年

5 魏慶國;基于運動想象的腦—機接口分類算法的研究[D];清華大學;2006年

相關碩士學位論文 前10條

1 范明莉;基于卷積神經網絡的運動想象腦電信號特征提取與分類[D];鄭州大學;2017年

2 李琳;基于穩(wěn)態(tài)視覺誘發(fā)電位的腦機接口系統(tǒng)設計及相關算法的研究[D];浙江理工大學;2017年

3 丁鈺涵;腦磁信號的特征提取與腦網絡分析[D];南京郵電大學;2016年

4 LUU ELODIE（呂麗君）;基于穩(wěn)態(tài)視覺誘發(fā)電位的腦機接口研究[D];華南理工大學;2016年

5 馮思維;基于VEP腦機接口系統(tǒng)的應用設計與研究[D];南昌大學;2016年

6 王麗娟;視覺誘發(fā)P300電位的去噪與提取算法研究[D];山東大學;2016年

7 信思旭;基于盲源分離的P300腦機接口信號處理算法研究[D];燕山大學;2016年

8 劉建輝;基于穩(wěn)態(tài)視覺誘發(fā)電位的腦機接口系統(tǒng)研究[D];杭州電子科技大學;2016年

9 郭光瑞;基于視覺誘發(fā)腦電的腦機接口研究與實現(xiàn)[D];天津理工大學;2016年

10 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

本文編號：2802914