【摘要】：腦機(jī)接口系統(tǒng)能實(shí)現(xiàn)大腦與機(jī)器間的信息交互,并通過對(duì)大腦狀態(tài)進(jìn)行解碼,直接控制外接機(jī)器完成指定任務(wù)。由于不依賴于人體肌肉組織及相關(guān)神經(jīng)通道,腦機(jī)接口技術(shù)為探索大腦認(rèn)知機(jī)制提供嶄新的研究途徑和方法,并且在相關(guān)的醫(yī)療和工程領(lǐng)域也有極大的應(yīng)用前景�；谶\(yùn)動(dòng)想象的腦機(jī)接口系統(tǒng)作為典型的自發(fā)性腦機(jī)接口系統(tǒng),由于無需額外刺激裝置,只需通過想象運(yùn)動(dòng)產(chǎn)生腦電信號(hào),更加貼近“意識(shí)”控制,受到眾多科研工作者的關(guān)注。然而腦電信號(hào)所包含的特性非常微弱,信噪比極低,導(dǎo)致腦電信號(hào)的解碼非常困難。傳統(tǒng)的解碼方法都是假設(shè)腦電信號(hào)坐落在高維的歐式空間中,然后基于歐式距離直接對(duì)信號(hào)進(jìn)行處理。但是,歐式距離并不能真正準(zhǔn)確刻畫高維腦電信號(hào)的內(nèi)在聯(lián)系,而傳統(tǒng)方法又缺少對(duì)其他非歐幾何特性的利用。因此,本文提出一種新的基于腦電信號(hào)協(xié)方差特征的解碼方法,有效利用協(xié)方差特征的黎曼幾何特性增強(qiáng)解碼效率。該方法的理論基礎(chǔ)是腦電信號(hào)的協(xié)方差特征具有對(duì)稱正定矩陣形式,并坐落于高維的黎曼流形中。相比于傳統(tǒng)的方法,本文所提解碼方法是直接對(duì)腦電信號(hào)的協(xié)方差特征進(jìn)行處理,將腦電信號(hào)的特征提取轉(zhuǎn)化為協(xié)方差特征的降維。然后再借助黎曼幾何中高效的分析工具來設(shè)計(jì)分類器,在低維子空間中進(jìn)行有效地識(shí)別分類,達(dá)到解碼目的。這是基于運(yùn)動(dòng)想象的腦機(jī)接口系統(tǒng)領(lǐng)域一種全新的設(shè)計(jì)思路�；谏鲜龅脑O(shè)計(jì)思路,本文具體提出四種不同的解碼方法,主要工作和研究成果有:1.原始的腦電信號(hào)協(xié)方差特征維數(shù)較高,在進(jìn)行黎曼距離計(jì)算時(shí),容易導(dǎo)致過高的計(jì)算量,而且也容易遭遇到過擬合的問題。因此,針對(duì)原始高維的協(xié)方差特征,我們首先提出一個(gè)基于黎曼距離的雙線性等距降維算法(Bilinear Isometric Riemannian Embedding,BIRE)。該算法是無監(jiān)督降維模型,旨在求解一個(gè)能夠保持原始高維空間的黎曼距離結(jié)構(gòu)的子空間。并且,該子空間同樣具有對(duì)稱正定矩陣形式,坐落于低維的黎曼流形中。然后借助黎曼流形的切平面,在子空間中設(shè)計(jì)嵌套判別分析(Embedding Discriminate Analysis,EDA)分類器,對(duì)子空間中的樣本進(jìn)行分類識(shí)別。最后在兩個(gè)運(yùn)動(dòng)想象數(shù)據(jù)集上進(jìn)行驗(yàn)證,由于避免了過擬合和高計(jì)算量問題,本解碼方法取得不錯(cuò)的效果,明顯優(yōu)于其他競爭算法。2.工作1的降維方法并沒有充分利用訓(xùn)練集的標(biāo)簽信息,而標(biāo)簽信息又?jǐn)y帶大量的可分信息,有助于增強(qiáng)解碼的性能。因此,我們又從有監(jiān)督的角度去設(shè)計(jì)降維,提出一種基于等距映射的雙線性子流形學(xué)習(xí)降維算法(Bilinear Sub-Manifold Learning,BSML)。該算法先根據(jù)標(biāo)簽計(jì)算各類協(xié)方差特征的黎曼均值,然后通過最小化類間距離差來求得雙線性映射矩陣,達(dá)到降維目的。在求得低維子空間后,設(shè)計(jì)兩個(gè)高效的分類算法,對(duì)子空間中的樣本進(jìn)行分類識(shí)別。其中,第一個(gè)分類算法是借助黎曼距離進(jìn)行聚類分析,第二個(gè)分類算法是在子空間的切平面上采用傳統(tǒng)分類器分類。通過在兩個(gè)運(yùn)動(dòng)想象數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),證明了本解碼方法的性能。另外,我們通過實(shí)驗(yàn)證明了本解碼方法也適用于小樣本的情況。3.不同于上述兩種基于距離保持的全局降維方法,我們從樣本局部鄰域特性的角度,重新設(shè)計(jì)降維算法,提出一種雙線性模糊特性及局部保存(Bilinear Fuzzy Discriminate Locality Preserving,BFDLP)降維算法。首先對(duì)協(xié)方差特征構(gòu)造黎曼圖模型,對(duì)局部鄰域特性進(jìn)行建模,并保持局部鄰域設(shè)計(jì)雙線性降維模型。然后,結(jié)合腦電信號(hào)易受干擾情況,在雙線性降維模型中增加模糊技術(shù),增強(qiáng)降維算法的性能。在求得低維子空間后,在低維子空間的切平面中,引入極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)分類器進(jìn)行分類。兩個(gè)數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明本解碼方法優(yōu)于其他競爭算法,而且能夠提高系統(tǒng)抗干擾能力。4.在實(shí)際運(yùn)動(dòng)想象任務(wù)中,并不是所有通道都具有相等的作用,比如在左右運(yùn)動(dòng)想象中,_3和_4通道會(huì)比其他通道作用更大�；诖丝紤],我們最后提出一種雙線性正則局部保持降維算法(Bilinear Regularized Locality Preserving,BRLP),在局部鄰域特性保持的基礎(chǔ)上,引入刻畫通道權(quán)重的正則項(xiàng),增強(qiáng)降維性能。并且在用BRLP算法求解出一個(gè)低維子空間之后,我們?cè)谧涌臻g的切平面中采用ELM對(duì)子空間的樣本進(jìn)行分類。從兩個(gè)數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果來看,本解碼方法效果顯著,而且優(yōu)于相關(guān)競爭算法。
【圖文】：

象左手右手運(yùn)動(dòng)的ERD現(xiàn)象。當(dāng)想象左手運(yùn)動(dòng)時(shí)，大腦皮層右側(cè)(ERD 現(xiàn)象，相關(guān)區(qū)域能量減�。划�(dāng)想象右手運(yùn)動(dòng)時(shí)，大腦皮層左側(cè)現(xiàn)ERD 現(xiàn)象，相關(guān)區(qū)域能量減小[21]。-1: The ERD phenomenon for left and right hand imagery movemtor cortex (C4 electrode area) appears the ERD phenomenon when t left hand imagery movements. The left motor cortex (C3 electrode are phenomenon when the subject performs right hand imagery moveme想象系統(tǒng)的生理基礎(chǔ)是：當(dāng)人在想象軀體不同部位的運(yùn)動(dòng)時(shí)，會(huì)不同功能區(qū)域，，從而產(chǎn)生具有不同特性的腦電信號(hào)[22, 23]。而所謂事件相關(guān)去同步化（Event-related desynchronization，ERD）和事vent-related synchronization，ERS）現(xiàn)象[21, 24]。當(dāng)人在想象運(yùn)動(dòng)時(shí)

用黎曼距離才能準(zhǔn)確刻畫協(xié)方差特征間的關(guān)系。因此，我們需要用一種新的構(gòu)圖方法來刻畫協(xié)方差特征的關(guān)系。在本文中，我們構(gòu)建了一個(gè)基于黎曼距離的圖，稱為黎曼圖（Riemannian graph），如圖4-1 所示。在構(gòu)建黎曼圖之后，很多傳統(tǒng)的基于圖的算法都可以應(yīng)用于黎曼圖上。圖 4-1: 黎曼圖及其一個(gè)鄰域結(jié)構(gòu)Figure 4-1: Riemannian graph and local structure.圖的另一個(gè)特點(diǎn)是能夠反映樣本的局部特性，圖的每條邊權(quán)重反應(yīng)相鄰兩個(gè)點(diǎn)的關(guān)系，而每個(gè)點(diǎn)的鄰域都有一組邊權(quán)重與之相對(duì)應(yīng)�；诖怂悸�，很多局部保持降維算法被提出，比如LLE[78]，locality preserving projection[99]，Laplacian eigenmaps[83]等。這些算法都是通過保持高維空間中鄰域的相似性去求解一個(gè)低維的空間，但是鄰域的相似性是通過歐式距離進(jìn)行刻畫
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2018
【分類號(hào)】：TN911.7;R318

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李范強(qiáng);吳巧云;黃日荷;;針刺、推拿聯(lián)合運(yùn)動(dòng)想象療法對(duì)腦卒中偏癱患者肢體功能的影響[J];生物醫(yī)學(xué)工程學(xué)進(jìn)展;2016年04期

2 武峙璇;趙麗波;劉瑋;于杰;;運(yùn)動(dòng)想象療法對(duì)早期腦梗死患者康復(fù)治療有效性的研究[J];中國衛(wèi)生標(biāo)準(zhǔn)管理;2017年04期

3 任靜;郭佳琪;;探討運(yùn)動(dòng)想象療法對(duì)腦卒中偏癱患者平衡功能恢復(fù)的影響[J];中國衛(wèi)生標(biāo)準(zhǔn)管理;2017年09期

4 朱海平;馮玲;;運(yùn)動(dòng)想象療法對(duì)腦卒中偏癱患者上肢運(yùn)動(dòng)功能恢復(fù)的影響[J];中國高等醫(yī)學(xué)教育;2017年08期

5 陳麗娜;;針灸聯(lián)合運(yùn)動(dòng)想象療法對(duì)腦卒中偏癱患者康復(fù)進(jìn)程的作用分析[J];中醫(yī)臨床研究;2016年03期

6 曾令雄;;運(yùn)動(dòng)想象療法在腦卒中偏癱患者下肢功能康復(fù)治療中的效果觀察[J];健康之路;2017年10期

7 董一璇;;運(yùn)動(dòng)想象療法在療養(yǎng)院腦卒中偏癱康復(fù)訓(xùn)練中的應(yīng)用[J];中國民間療法;2013年01期

8 葛晴霞;郭根平;章慧霞;;運(yùn)動(dòng)想象療法在腦卒中偏側(cè)忽略訓(xùn)練中的應(yīng)用[J];中國康復(fù)理論與實(shí)踐;2013年02期

9 嚴(yán)樹嬋;曾少良;金勤劍;;運(yùn)動(dòng)想象療法在冠心病介入治療患者心臟康復(fù)中的應(yīng)用[J];中國當(dāng)代醫(yī)藥;2013年14期

10 葉依露;賴W毩

本文編號(hào)：2658847