本文關(guān)鍵詞：四類運動想象腦電信號特征分析與提取，由筆耕文化傳播整理發(fā)布。

【摘要】：腦-機接口（Brain Computer Interface，BCI）是在大腦和計算機或電子設(shè)備之間建立的一種不依賴于常規(guī)大腦輸出通道(外圍神經(jīng)和肌肉組織)的直接信息交流和控制通道，，它能為癱瘓病人，特別是那些思維正常但是喪失了基本肢體運動功能的患者提供一種與外界進行交流新途徑。針對運動想象信號的同步與去同步特征分析與提取，論文采用08年腦-機接口大賽數(shù)據(jù)，研究了腦電信號的預(yù)處理、特征提取和分類，并設(shè)計了基于四類運動想象的實時BCI系統(tǒng)。主要研究工作如下： （1）針對腦電信號中摻雜著多類偽跡信號（眼電、心電干擾等）的現(xiàn)象，本文設(shè)計了基于獨立成分分析的濾波器，成功的濾除了眼電干擾，提高了腦電信號的信噪比，增強了腦電信號的頻域特征。 （2）對傳統(tǒng)的頻域分析法、時頻分析法（短時傅里葉變換和小波變換）、共空域模式法（Common Spatial Pattern，CSP）三大類特征提取方法的研究結(jié)果表明：共空域模式法對多通道、多類別腦電信號的特征提取效果優(yōu)于另兩類方法。在此基礎(chǔ)上將具有良好時頻特性的小波變換與CSP相結(jié)合，提出了一種頻域CSP方法——Wavelet-CSP，結(jié)果表明其分類結(jié)果明顯好于CSP。 （3）結(jié)合傳統(tǒng)的OVO-SVM(One-versus-one Support Vector Machine)、OVR-SVM(One-versus-the-rest Support Vector Machine)、DAG-SVM(DAG Support VectorMachine)三種多分類器結(jié)構(gòu)中各自的優(yōu)缺點，本文設(shè)計了全新的四分類器，所用的分類器數(shù)目更少、出現(xiàn)錯分的概率更小，分類結(jié)果與傳統(tǒng)的三類方法相比較表明，所設(shè)計的四分類器分類結(jié)果更好。 （4）基于對運動想象腦電信號特征提取與分類的研究，本課題在LabVIEW平臺上設(shè)計了實時的BCI實驗系統(tǒng)。腦電信號的采集系統(tǒng)由加拿大Thought Technology公司所研發(fā)，基于該設(shè)備能夠?qū)κ茉囌哳^皮運動想象區(qū)域的10個通道數(shù)據(jù)進行實時采集與存儲。并且該系統(tǒng)能對腦電信號實時的特征提取和分類。
【關(guān)鍵詞】：腦-機接口系統(tǒng) 運動想象同步與去同步 獨立成分分析 共空域模式算法 支持向量機
【學(xué)位授予單位】：北京理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：R49;TN911.6
【目錄】：

• 摘要5-6
• Abstract6-11
• 第1章 緒論11-22
• 1.1 研究背景和研究意義11-12
• 1.2 腦-機接口系統(tǒng)簡介12-17
• 1.2.1 腦-機接口的組成12-13
• 1.2.2 腦-機接口系統(tǒng)中腦電信號概述13-15
• 1.2.3 腦-機接口的分類15-17
• 1.3 基于運動想象腦-機接口系統(tǒng)的研究現(xiàn)狀17-19
• 1.3.1 腦電信號的特征提取17-18
• 1.3.2 腦電信號的分類方法18-19
• 1.4 腦-機接口系統(tǒng)研究現(xiàn)狀與存在的問題19-20
• 1.5 主要內(nèi)容20-22
• 第2章 腦電信號的采集與預(yù)處理22-34
• 2.1 腦電信號采集及腦電信號數(shù)據(jù)庫22-24
• 2.1.1 電極的擺放系統(tǒng)22-23
• 2.1.2 腦-機接口數(shù)據(jù)庫及其采集過程23-24
• 2.2 腦電信號的空域濾波24-27
• 2.3 獨立成分分析法濾波27-33
• 2.3.1 獨立成分分析的基本原理27-29
• 2.3.2 信號的白化29
• 2.3.3 FastICA 算法的基本原理29-30
• 2.3.4 腦電信號中眼電的去除30-33
• 2.4 本章小結(jié)33-34
• 第3章 腦電信號的特征分析與特征提取34-52
• 3.1 基于四分類運動想象的腦電信號的特征分析34-35
• 3.1.1 事件相關(guān)同步/去同步現(xiàn)象34
• 3.1.2 同步/去同步現(xiàn)象的量化34-35
• 3.1.3 四分類運動想象腦電信號的同步/去同步現(xiàn)象35
• 3.2 基于運動想象的腦電信號的特征提取35-41
• 3.2.1 頻域分析法36
• 3.2.2 時頻分析36-38
• 3.2.3 共空域模式算法基本原理38-41
• 3.2.4 改進的共空域算法分析41
• 3.3 算法實現(xiàn)與結(jié)果分析41-51
• 3.3.1 頻域分析法41-43
• 3.3.2 STFT 分析法43-45
• 3.3.3 小波變換分析法45-46
• 3.3.4 CSP 算法及其改進算法分析46-51
• 3.4 本章小結(jié)51-52
• 第4章 腦電信號的特征分類52-62
• 4.1 支持向量機的基本原理52-56
• 4.1.1 線性支持向量機52-55
• 4.1.2 非線性支持向量機55-56
• 4.2 四類運動想象腦電信號分類器的設(shè)計56-61
• 4.2.1 支持向量機程序設(shè)計56-58
• 4.2.2 四分類器結(jié)構(gòu)的設(shè)計58-61
• 4.3 本章小結(jié)61-62
• 第5章 基于 LabVIEW 的腦-機接口實時系統(tǒng)的設(shè)計62-70
• 5.1 實驗系統(tǒng)的設(shè)計62-63
• 5.1.1 系統(tǒng)框架圖62
• 5.1.2 實驗設(shè)計62-63
• 5.2 實驗平臺的搭建63-68
• 5.2.1 腦電數(shù)據(jù)采集64-67
• 5.2.2 實時系統(tǒng)的特征提取和分類67-68
• 5.2.3 智能小車的控制68
• 5.3 實驗結(jié)果及分析68-69
• 5.4 本章小結(jié)69-70
• 結(jié)論70-72
• 參考文獻72-76
• 攻讀學(xué)位期間發(fā)表論文與研究成果清單76-77
• 致謝77

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 楊旭,紀玉波,田雪;基于遺傳算法的SVM參數(shù)選取[J];遼寧石油化工大學(xué)學(xué)報;2004年01期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 吳婷;自發(fā)腦電腦機接口模式識別關(guān)鍵技術(shù)與實驗研究[D];上海交通大學(xué);2008年

  本文關(guān)鍵詞：四類運動想象腦電信號特征分析與提取，由筆耕文化傳播整理發(fā)布。

本文編號：360152