腦機(jī)接口通過(guò)大腦產(chǎn)生的腦電信號(hào)（Electroencephalogram,EEG）實(shí)現(xiàn)人腦與計(jì)算機(jī)或其他設(shè)備之間通信和控制,為人類和環(huán)境之間提供了新的通信和控制渠道,拓寬了人類的控制能力,具有廣泛的應(yīng)用前景。然而,用于腦機(jī)接口（Brian-computer Interface,BCI）設(shè)備研究的腦電信號(hào)是一種微弱、非線性、非平穩(wěn)并且隨時(shí)間變化的信號(hào),因此有效的特征提取方法是改善識(shí)別精度的關(guān)鍵。論文首先對(duì)運(yùn)動(dòng)想象腦電信號(hào)的現(xiàn)代分析方法進(jìn)行綜述,著重介紹多種腦電信號(hào)特征提取方法,其中,對(duì)經(jīng)典算法的改進(jìn)方法以及多種經(jīng)典算法的組合方法進(jìn)行了詳細(xì)地闡述。其次,在綜述分析的基礎(chǔ)上,針對(duì)公共空間模式分解算法需要大量通道信號(hào)和缺乏頻域信息的缺點(diǎn)進(jìn)行改進(jìn),論文提出了一種公共空間模式算法（Common Spatial Pattern,CSP）結(jié)合經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥mpirical Mode Decomposition,EMD）的特征提取方法。EMD-CSP算法先將信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)Ｊ椒纸獾玫蕉鄠�(gè)固有模態(tài)函數(shù)（Intrinsic Mode Functions,IMFs）,選取符合μ節(jié)律和β節(jié)律的振蕩模式組合成多通... 

【文章頁(yè)數(shù)】：94 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
用術(shù)語(yǔ)注釋表
第一章 緒論
    1.1 腦電信號(hào)概述
        1.1.1 腦電信號(hào)概念和原理
        1.1.2 腦電信號(hào)的分類與特性
        1.1.3 腦電信號(hào)的發(fā)展歷史和研究現(xiàn)狀
    1.2 腦機(jī)接口概述
        1.2.1 腦機(jī)接口的概念和原理
        1.2.2 腦機(jī)接口的分類與特性
        1.2.3 腦機(jī)接口歷史發(fā)展和研究現(xiàn)狀
    1.3 本文研究?jī)?nèi)容
第二章 運(yùn)動(dòng)想象腦電信號(hào)現(xiàn)代分析方法
    2.1 運(yùn)動(dòng)想象腦電信號(hào)特征提取算法概述
    2.2 經(jīng)典方法的改進(jìn)算法
        2.2.1 離散小波變換的改進(jìn)
        2.2.2 經(jīng)驗(yàn)?zāi)Ｊ椒纸獾母倪M(jìn)
        2.2.3 公共空間模式分解的改進(jìn)
    2.3 多種方法的組合算法
        2.3.1 經(jīng)典方法之間的組合
        2.3.2 經(jīng)典法和統(tǒng)計(jì)學(xué)量的組合
        2.3.3 各類熵
    2.4 本章小結(jié)
第三章 公共空間模式算法結(jié)合EMD的腦電信號(hào)特征提取
    3.1 數(shù)據(jù)集描述
    3.2 基于改進(jìn)CSP算法的特征提取方法
        3.2.1 經(jīng)驗(yàn)?zāi)Ｊ椒纸?br>        3.2.2 公共空間模式分解算法
        3.2.3 改進(jìn)的CSP濾波算法
        3.2.4 頻域能量分析
    3.3 數(shù)據(jù)集處理過(guò)程與結(jié)果分析
        3.3.1 數(shù)據(jù)預(yù)處理
        3.3.2 EMD分解與頻段篩選
        3.3.3 改進(jìn)的CSP濾波
        3.3.4 結(jié)果與比較
    3.4 本章小結(jié)
第四章 左右手運(yùn)動(dòng)想象的實(shí)驗(yàn)設(shè)計(jì)與數(shù)據(jù)處理
    4.1 腦電信號(hào)采集系統(tǒng)
        4.1.1 電極帽
        4.1.2 SynAmps放大器
        4.1.3 Curry7軟件
        4.1.4 EEGLAB平臺(tái)
    4.2 運(yùn)動(dòng)想象實(shí)驗(yàn)設(shè)計(jì)
    4.3 實(shí)驗(yàn)數(shù)據(jù)處理
        4.3.1 數(shù)據(jù)預(yù)處理
        4.3.2 實(shí)驗(yàn)數(shù)據(jù)分析與比較
    4.4 本章小結(jié)
第五章 基于改進(jìn)CSP算法的特征優(yōu)化
    5.1 基于S變換的空間濾波器成分選擇算法優(yōu)化
        5.1.1 S變換
        5.1.2 基于S變換的公共空間濾波器成分選擇算法
    5.2 CSP結(jié)合EEMD的聯(lián)合特征
        5.2.1 EEMD概述
        5.2.2 數(shù)據(jù)分析
    5.3 CSP結(jié)合雙譜的聯(lián)合特征
        5.3.1 雙譜特征概述
        5.3.2 數(shù)據(jù)分析
    5.4 特征降維
    5.5 特征識(shí)別過(guò)程優(yōu)化
        5.5.1 SVM的內(nèi)核參數(shù)優(yōu)化
        5.5.2 LDA線性判別分析
    5.6 本章小結(jié)
第六章 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 工作展望
參考文獻(xiàn)
附錄1 攻讀碩士學(xué)位期間撰寫(xiě)的論文
附錄2 攻讀碩士學(xué)位期間申請(qǐng)的專利
致謝


【參考文獻(xiàn)】：
期刊論文
[1]用EEGLAB分析腦電信號(hào)[J]. 程學(xué)梅,崔園.  計(jì)算機(jī)與數(shù)字工程. 2014(10)
[2]BCI:改變未來(lái)戰(zhàn)爭(zhēng)面貌的腦-機(jī)接口技術(shù)[J]. 石海明,劉昱東.  環(huán)球軍事. 2009(16)
[3]基于能量特征的左右手運(yùn)動(dòng)想象腦信號(hào)的識(shí)別方法[J]. 金晶,王行愚,張秀.  華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2007(04)

碩士論文
[1]基于腦—機(jī)接口的駕駛員疲勞度檢測(cè)預(yù)警系統(tǒng)研究[D]. 孫宇.吉林大學(xué) 2015



本文編號(hào)：3696349