腦機接口是一種通過分析大腦思維信號并將其轉換成外部設備或者程序指令的通信系統(tǒng)。其目的是想給那些肢體殘缺或者運動神經系統(tǒng)受損的人提供一種新的交流方式。在腦機接口研究領域中,其中基于P300的腦機接口具有實驗范式簡單,被試不需要訓練并且能夠產生很多的指令等特點,受到廣大研究者的青睞,因此本文主要研究是基于P300的腦機接口指令識別。論文中的主要研究內容如下:(1)提出了兩種通道選取指標算法。一種是基于腦電信號幅值特征的通道敏感度(Channel Sensitivity,CS)指標,該指標利用每個通道的P300與非P300波形差的絕對值作為通道優(yōu)選標準。另一種是基于腦電信號相位特征的相位同步(Phase Synchronization,PS)指標,該指標利用通道與通道之間的腦電信號PLV值的大小作為通道優(yōu)選標準。實驗結果表明算法能夠根據不同被試選擇不同的最優(yōu)通道配置,并且減少了計算量。(2)研究并實現(xiàn)了兩種不同的時域特征提取方法。分別是疊加平均法和主成分分析法,對于主成分分析方法的主成分個數(shù)選擇做了詳細的說明并且展示P300腦電信號疊加15次后的特征提取結果。(3)研究了基于概率模型的貝葉斯線性判別分析(bayesian linear discriminant analysis,BLDA)方法。通過這種方法來驗證特征提取與通道選取算法的有效性。通過在第三次國際BCI競賽的data set II數(shù)據集上驗證,結果顯示,使用所有通道數(shù)據,特征提取方法為主成分分析以及分類識別為BLDA的情況下,字符識別準確率達到了96.5%和競賽第一名結果相等。而基于PS指標選取的8個最優(yōu)通道準確率達到67%,同時基于CS指標準確率也達到了84.5%,比固定的8個通道準確率要高。(4)提出了一種權重極限學習機(Weighted Extreme Learning Machine,WELM)分類算法。該方法主要針對ELM算法的隨機函數(shù)沒有和樣本類別產生關聯(lián)以及P300正負樣本不均衡性。最后在同樣的實驗集上驗證,使用所有通道數(shù)據,特征提取方法為主成分分析以及分類器為WELM的情況下,字符識別準確率達到了97%,而使用CS指標的8個通道數(shù)據達到了85.5%。
【學位單位】：杭州電子科技大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TN911.7;R318
【部分圖文】：

頻率的視覺刺激（通常大于 5 赫茲）可以在大腦的視激頻率相同的 EEG 信號，通過對 EEG 信號的頻域分解試注視的頻率，但是穩(wěn)定的低頻率刺激閃爍容易給人造P300電位[11-13]是屬于誘發(fā)電位的事件相關電位，是一種，刺激方式易于接受，指令識別多，因此作為本文的研信號傳輸原理可知，BCI 不僅能從大腦采集信號控制外連接通路對這些采集部位進行反饋刺激，我們稱之為雙循環(huán)型 BCI 能通過刺激感覺神經元向大腦提供直接的用記錄的同一大腦運動信號操作外界設備的結果。除此錄的信號還能用于調節(jié)另一個區(qū)域的神經元活動或誘發(fā)接口實現(xiàn)比較困難。

蠐輾⑵淇傷芐浴５鄧欽庵幟曰

本文編號：2817382