發(fā)布時間：2017-03-24 02:11

  本文關(guān)鍵詞：基于流形學(xué)習的腦電特征提取方法及應(yīng)用，，由筆耕文化傳播整理發(fā)布。

【摘要】：人在受到外界刺激或者進行主動思維活動時,腦神經(jīng)細胞在大腦皮層會產(chǎn)生具有特異性、節(jié)律性的腦電信號。這種生物電信號不僅包含了大量生理或疾病信息,而且與人的意識狀態(tài)具有緊密的相關(guān)性。能否準確提取和正確解讀運動想象(Motor Imagery Electroencephalography,MI-EEG)的特征信息,成為其在腦功能研究、疾病診斷及康復(fù)領(lǐng)域成功應(yīng)用的關(guān)鍵。傳統(tǒng)的MI-EEG特征提取方法大多是從信號的時間域、頻率域、時頻域或空間域來考慮的,對于MI-EEG在高維空間中的非線性流形結(jié)構(gòu)上涉及較少。為了在最大限度保持原始信號非線性流形結(jié)構(gòu)信息的前提下,對腦電信號進行數(shù)據(jù)降維和特征提取,眾多數(shù)據(jù)降維方法被引入到腦機接口(Brain Computer Interface,BCI)領(lǐng)域當中。然而,這些方法絕大多數(shù)是線性的或者局部線性的,這難免會導(dǎo)致在處理真實世界非線性數(shù)據(jù)過程中出現(xiàn)真實信息丟失的問題。為了試圖從數(shù)據(jù)集內(nèi)蘊非線性幾何分布的角度對腦電信號進行數(shù)據(jù)挖掘,同時兼顧腦電信號的時頻特點與神經(jīng)生理特性,本論文將流形學(xué)習應(yīng)用于腦電信號的特征提取中并與傳統(tǒng)的EEG時頻特征進行融合,最后將該算法成功應(yīng)用于具有現(xiàn)實意義的BCI系統(tǒng)中。本文的主要工作包括:1、提出一種局部線性嵌入(Locally Linear Embedding algorithm,LLE)和離散小波變換(Discrete Wavelet Transform,DWT)的運動想象腦電信號的特征提取方法,即DWT-LLE。首先,利用利用小波變換提取EEG信號特定頻段的時頻特性;然后,對低頻段的小波系數(shù)使用LLE方法進行非線性結(jié)構(gòu)特征的挖掘的同時,對其他頻段小波系數(shù)求取腦電信號的能量的分布特征;最后,將二者結(jié)合組成最終的特征矢量,使用經(jīng)過GA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進行數(shù)據(jù)分類。該方法在兼顧腦電信號非線性、時頻性、節(jié)律性、神經(jīng)生理特性的基礎(chǔ)上,成功實現(xiàn)了其數(shù)據(jù)降維的目的。在國際BCI競賽標準數(shù)據(jù)上使用SVM進行模式分類實驗,該算法相比同類的方法表現(xiàn)出較高分類正確率的同時兼具穩(wěn)定性。2、在DWT-LLE的研究過程中,發(fā)現(xiàn)以LLE為代表的傳統(tǒng)的流形學(xué)習算法在數(shù)據(jù)降維過程中無法提供從高維觀測空間到低維特征空間的非線性映射關(guān)系,這使得其在模式識別的任務(wù)中具有對于訓(xùn)練樣本外的數(shù)據(jù)泛化性能較弱的缺點。針對該問題,本文提出一種基于DWT和參數(shù)化t分布隨機鄰嵌入(parametric t-Distributed Stochastic Neighbor Embedding,P.t-SNE)的算法,即DWT-P.t-SNE。該算法一個基于限制性玻爾茲曼機(Restricted Boltzmann Machines,RBMs)的多層神經(jīng)網(wǎng)絡(luò)備用來對一個非線性映射關(guān)系進行參數(shù)化的,用來彌補傳統(tǒng)ML方法泛化能力較弱的缺點。從而在完成腦電信號數(shù)據(jù)降維的同時,并與使用DWT得到的時頻特征進行融合,得到包含EEG時頻信息和非線性信息的特征。我們發(fā)現(xiàn):使用該法得到的特征在3維空間表現(xiàn)出明顯聚類分布性以及獨特的流形結(jié)構(gòu)分布,同時分類正確率得到進一步提高。3、本研究設(shè)計的BCI系統(tǒng)為基于DWT-LLE算法的左右手運動想象家電控制系統(tǒng)和基于DWT-P.t-SNE的手臂伸/屈運動想象運動康復(fù)系統(tǒng)。前者的目的是幫助思維正常而肢體運動功能障礙患者利用MI-BCI技術(shù)對家電設(shè)備進行控制,從而方便他們?nèi)粘Ｉ?后者是通過患者的單側(cè)手臂的伸屈運動想象來達到患肢運動康復(fù)的目的。首先,設(shè)計基于C#的MI-EEG采集軟件和機械臂控制軟件;然后,將MATLAB編寫的信號預(yù)處理、特征提取和模式分類算法程序編譯為dll文件,以供BCI系統(tǒng)的使用;接著,使用腦電信號的采集軟件控制EEG采集設(shè)備g.MOBIlab腦電儀實時采集腦電信號;隨后,調(diào)用編寫好的dll算法程序?qū)δX電信號進行解析,識別出信號中蘊含的運動想象任務(wù);最后,將得到的控制命令同串口傳給BCI系統(tǒng)的外部設(shè)備---機械臂,控制器進行相應(yīng)于運動想象任務(wù)的運動,實現(xiàn)受試者通過MI-EEG來控制外部設(shè)備的目標。這不僅驗證了所提算法的適用性和有效性,更將流形學(xué)習算法引入到BCI技術(shù)的實際應(yīng)用中,特別是日常生活應(yīng)用和醫(yī)學(xué)康復(fù)領(lǐng)域。本文的研究成果不僅利于基于MI-EEG的BCI系統(tǒng)實時性的提高,對于深刻剖析腦電信號和挖掘其非線性特征具有重要的參考價值,也為從數(shù)據(jù)流形分布角度研究腦電信號和運動想象意識提供了新思路。
【關(guān)鍵詞】：腦機接口 流形學(xué)習 局部線性嵌入 參數(shù)化t分布隨機鄰嵌入 特征提取 可視化
【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】：2016
【分類號】：R318;TN911.7
【目錄】：

• 摘要4-6
• Abstract6-11
• 第1章 緒論11-27
• 1.1 課題研究背景及意義11-12
• 1.2 腦機接口的基本原理12-19
• 1.2.1 組成及工作原理12-14
• 1.2.2 腦電信號的采集方式14-16
• 1.2.3 腦電信號的分類16-17
• 1.2.4 腦電信號的生理基礎(chǔ)17-19
• 1.3 研究現(xiàn)狀19-23
• 1.3.1 BCI系統(tǒng)研究現(xiàn)狀19-21
• 1.3.2 腦電特征提取方法研究現(xiàn)狀21-22
• 1.3.3 存在的問題22-23
• 1.4 本文研究內(nèi)容及組織結(jié)構(gòu)23-27
• 第2章 基于LLE和DWT的腦電信號特征提取的研究27-43
• 2.1 引言27
• 2.2 流形學(xué)習的概述27-29
• 2.2.1 流形學(xué)習的背景27
• 2.2.2 流形學(xué)習的提出27-28
• 2.2.3 流形學(xué)習在腦電信號處理中的引入28-29
• 2.3 基礎(chǔ)理論29-32
• 2.3.1 離散小波變換29-30
• 2.3.2 局部線性嵌入30-32
• 2.4 數(shù)據(jù)分析32-35
• 2.4.1 實驗數(shù)據(jù)32-33
• 2.4.2 基于Wigner-Ville分布的時頻分析33-34
• 2.4.3 MI-EEG信號的功率譜分析34-35
• 2.5 特征提取與可視化35-37
• 2.5.1 時頻特征35-36
• 2.5.2 非線性特征及可視化36-37
• 2.6 實驗研究與分析37-41
• 2.6.1 LLE算法中參數(shù)的優(yōu)化選擇37-39
• 2.6.2 特征組合與分類器匹配實驗研究39-40
• 2.6.3 多種識別方法的對比研究40
• 2.6.4 多種特征提取方法的對比研究40-41
• 2.7 本章小結(jié)41-43
• 第3章 基于參數(shù)化t-SNE的多域融合特征提取方法43-57
• 3.1 引言43
• 3.2 基礎(chǔ)理論43-47
• 3.2.1 隨機鄰嵌入44-45
• 3.2.2 t分布隨機鄰嵌入45-46
• 3.2.3 參數(shù)化t分布隨機鄰嵌入46-47
• 3.3 特征提取與融合47-49
• 3.3.1 具體步驟47-48
• 3.3.2 算法流程48-49
• 3.4 實驗研究與分析49-55
• 3.4.1 特征可視化結(jié)果的比較49-52
• 3.4.2 算法參數(shù)選擇52-53
• 3.4.3 模式分類比較53-54
• 3.4.4 計算效率比較54-55
• 3.5 本章小結(jié)55-57
• 第4章 基于運動想象腦電信號的BCI系統(tǒng)設(shè)計57-73
• 4.1 引言57
• 4.2 基于DWT-LLE的BCI家電控制系統(tǒng)57-62
• 4.2.1 腦電信號采集58-60
• 4.2.2 信號采集過程60-61
• 4.2.3 信號處理過程61-62
• 4.2.4 實驗結(jié)果62
• 4.3 基于DWT和P.t-SNE的BCI手臂康復(fù)系統(tǒng)62-72
• 4.3.1 系統(tǒng)框架63-64
• 4.3.2 腦電信號采集64-65
• 4.3.3 機械手臂及其控制模塊65-67
• 4.3.4 系統(tǒng)軟件設(shè)計67-68
• 4.3.5 實驗步驟68-71
• 4.3.6 實驗結(jié)果71-72
• 4.4 本章小結(jié)72-73
• 結(jié)論73-77
• 參考文獻77-83
• 攻讀碩士學(xué)位期間所發(fā)表的學(xué)術(shù)論文83-85
• 致謝85

  本文關(guān)鍵詞：基于流形學(xué)習的腦電特征提取方法及應(yīng)用，由筆耕文化傳播整理發(fā)布。

本文編號：264927