發(fā)布時(shí)間：2017-08-20 06:19

  本文關(guān)鍵詞：基于盲源分離的P300腦機(jī)接口信號(hào)處理算法研究

  更多相關(guān)文章： 腦機(jī)接口 P300腦電信號(hào) 信號(hào)處理 盲源分離 小波變換

【摘要】：腦機(jī)接口是在人腦和計(jì)算機(jī)或其他電子設(shè)備之間建立的不依賴于常規(guī)大腦信息輸出通路的對(duì)外信息交流和控制的通信系統(tǒng)。作為事件相關(guān)電位中重要的內(nèi)源性成分,P300腦電信號(hào)廣泛應(yīng)用于腦機(jī)接口系統(tǒng)中,如何快速、準(zhǔn)確的對(duì)其進(jìn)行提取與識(shí)別是P300腦機(jī)接口領(lǐng)域研究的熱點(diǎn)問題,對(duì)認(rèn)知生物科學(xué)、腦神經(jīng)科學(xué)和電子與信息科學(xué)等具有十分重要的意義。本文利用近年來信號(hào)處理領(lǐng)域中應(yīng)用較為廣泛的盲源分離方法,從預(yù)處理、特征提取、特征優(yōu)選和分類識(shí)別四個(gè)方面,對(duì)P300腦機(jī)接口信號(hào)處理算法進(jìn)行分析研究。針對(duì)P300腦電信號(hào)預(yù)處理過程中,小波變換存在的P300信號(hào)與偽跡成分頻譜重疊、小波基優(yōu)選缺乏必要的理論依據(jù),以及盲源分離存在的源信號(hào)過度分解、估計(jì)分量需要人工挑選等問題,提出一種P300腦電信號(hào)提取的新方法:結(jié)合電極分布特性,依據(jù)信噪比和均方根誤差量化指標(biāo)選擇最優(yōu)小波基;依據(jù)平滑偽Wigner-Ville分布時(shí)頻分析的結(jié)果,通過相干平均、小波變換和盲源分離算法對(duì)原始信號(hào)進(jìn)行時(shí)域、頻域和空域?yàn)V波;依據(jù)分離矩陣的逆矩陣、整體和局部PCC系數(shù)、局部平均振幅和局部峰振幅,結(jié)合G1法構(gòu)建時(shí)空分析模型,最優(yōu)化自動(dòng)提取P300分量并映射回頭皮電極處。設(shè)計(jì)實(shí)驗(yàn)對(duì)比分析了Fast ICA、Informax、SOBI和JADE四種盲源分離典型算法在P300腦電信號(hào)提取過程中的性能。通過實(shí)驗(yàn)驗(yàn)證,提出的方法相較于相干平均、小波變換等傳統(tǒng)方法,P300腦電信號(hào)的提取效果有顯著提高。針對(duì)P300腦電信號(hào)特征提取、特征優(yōu)選和分類識(shí)別過程中,多導(dǎo)聯(lián)、多特征造成的操作繁瑣、數(shù)據(jù)冗雜等問題,提出一種P300腦電信號(hào)識(shí)別的新方法:將枚舉法和順序前向浮動(dòng)搜索法相結(jié)合,依據(jù)基于散布矩陣的可分性判據(jù),對(duì)小波變換、盲源分離過程中的初始特征進(jìn)行優(yōu)選;采用非線性軟間隔支持向量機(jī),利用交叉驗(yàn)證和粒子群尋優(yōu)算法對(duì)分類器參數(shù)進(jìn)行優(yōu)化,構(gòu)建具有6維特征向量的訓(xùn)練模型進(jìn)行分類識(shí)別。通過實(shí)驗(yàn)驗(yàn)證,提出的方法在系統(tǒng)分類精度和速度方面均有較大改善,為基于P300腦電信號(hào)的腦機(jī)接口系統(tǒng)在線應(yīng)用打下基礎(chǔ)。
【關(guān)鍵詞】：腦機(jī)接口 P300腦電信號(hào) 信號(hào)處理 盲源分離 小波變換
【學(xué)位授予單位】：燕山大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TN911.7;R338
【目錄】：

• 摘要5-6
• ABSTRACT6-11
• 第1章 緒論11-23
• 1.1 本文的研究背景及意義11-13
• 1.2 腦機(jī)接口的研究現(xiàn)狀13-18
• 1.2.1 腦機(jī)接口概述13-14
• 1.2.2 腦機(jī)接口的研究與發(fā)展14-17
• 1.2.3 目前存在的問題與面臨的挑戰(zhàn)17-18
• 1.3 P300腦電信號(hào)處理算法的研究現(xiàn)狀18-21
• 1.4 本文的研究?jī)?nèi)容21-23
• 第2章 P300腦電信號(hào)的基礎(chǔ)分析及研究23-36
• 2.1 引言23
• 2.2 腦電信號(hào)概述23-29
• 2.2.1 腦電信號(hào)的生理學(xué)基礎(chǔ)23-24
• 2.2.2 腦電信號(hào)的采集方式24-26
• 2.2.3 EEG腦電信號(hào)的特點(diǎn)26-27
• 2.2.4 EEG腦電信號(hào)的分類27-29
• 2.3 事件相關(guān)電位的分析研究29-31
• 2.3.1 事件相關(guān)電位的特征29-30
• 2.3.2 事件相關(guān)電位的成分30-31
• 2.4 P300電位的分析研究31-34
• 2.4.1 P300電位的基礎(chǔ)應(yīng)用31-32
• 2.4.2 P300電位的實(shí)驗(yàn)范式32-33
• 2.4.3 P300電位的數(shù)據(jù)獲取33-34
• 2.5 本章小結(jié)34-36
• 第3章 盲源分離算法的理論分析及實(shí)現(xiàn)36-52
• 3.1 引言36
• 3.2 盲源分離的基本理論36-41
• 3.2.1 盲源分離的數(shù)學(xué)模型36-37
• 3.2.2 盲源分離的不確定性37-39
• 3.2.3 盲源分離的算法分類39
• 3.2.4 盲源分離的算法評(píng)價(jià)標(biāo)準(zhǔn)39-41
• 3.3 盲源分離的預(yù)處理方法41-42
• 3.3.1 零均值化41
• 3.3.2 白化處理41-42
• 3.4 盲源分離的典型算法42-48
• 3.4.1 基于非高斯性準(zhǔn)則和投影追蹤的Fast ICA算法43-44
• 3.4.2 基于信息論準(zhǔn)則和自適應(yīng)處理的Informax算法44-46
• 3.4.3 基于二階統(tǒng)計(jì)量準(zhǔn)則和批處理的SOBI算法46-47
• 3.4.4 基于四階統(tǒng)計(jì)量準(zhǔn)則和批處理的JADE算法47-48
• 3.5 盲源分離算法的仿真研究及性能比較48-51
• 3.6 本章小結(jié)51-52
• 第4章 P300腦電信號(hào)的自動(dòng)提取和特征加強(qiáng)52-67
• 4.1 引言52
• 4.2 P300腦電信號(hào)的提取算法52-53
• 4.3 P300腦電信號(hào)的時(shí)域?yàn)V波53-55
• 4.3.1 基于相干平均的時(shí)域?yàn)V波53-54
• 4.3.2 基于平滑偽Wigner-Ville分布的時(shí)頻分析54-55
• 4.4 P300腦電信號(hào)的頻域?yàn)V波55-59
• 4.4.1 基于小波變換的頻域?yàn)V波55-56
• 4.4.2 基于SNR和RMSE量化指標(biāo)的小波基優(yōu)選56-59
• 4.5 P300腦電信號(hào)的空域?yàn)V波59-60
• 4.5.1 基于盲源分離的空域?yàn)V波59-60
• 4.5.2 基于G1法的初始權(quán)重確定60
• 4.6 P300腦電信號(hào)提取效果的對(duì)比實(shí)驗(yàn)及數(shù)據(jù)分析60-66
• 4.7 本章小結(jié)66-67
• 第5章 P300腦電信號(hào)的特征優(yōu)選和分類識(shí)別67-83
• 5.1 引言67
• 5.2 P300腦電信號(hào)的識(shí)別算法67-68
• 5.3 P300腦電信號(hào)的特征提取68-72
• 5.3.1 小波變換過程中的特征68-70
• 5.3.2 盲源分離過程中的特征70-72
• 5.4 P300腦電信號(hào)的特征優(yōu)選72-76
• 5.4.1 類別可分性判據(jù)72-73
• 5.4.2 經(jīng)典特征優(yōu)選算法73-74
• 5.4.3 基于枚舉法和順序前向浮動(dòng)搜索的特征優(yōu)選74-76
• 5.5 P300腦電信號(hào)的分類識(shí)別76-80
• 5.5.1 支持向量機(jī)76-78
• 5.5.2 粒子群尋優(yōu)算法78-79
• 5.5.3 基于支持向量機(jī)和粒子群尋優(yōu)的分類識(shí)別79-80
• 5.6 P300腦電信號(hào)識(shí)別效果的對(duì)比實(shí)驗(yàn)及數(shù)據(jù)分析80-81
• 5.7 本章小結(jié)81-83
• 結(jié)論83-86
• 參考文獻(xiàn)86-92
• 攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果92-93
• 致謝93

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫 前4條

1 周衛(wèi)東;基于獨(dú)立分量分析的生理信號(hào)盲源分離(英文)[J];山東生物醫(yī)學(xué)工程;2002年02期

2 邵文婷;方濱;王普;任明榮;沈毅;;稀疏信號(hào)的盲源分離求解方法提取胎兒心電信號(hào)[J];生物醫(yī)學(xué)工程學(xué)雜志;2009年06期

3 高莉;黃力宇;;基于自適應(yīng)梯度盲源分離算法的胎兒心電提取[J];儀器儀表學(xué)報(bào);2008年08期

4 ;[J];;年期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫 前10條

1 李舜酩;;轉(zhuǎn)子振動(dòng)信號(hào)的盲源分離研究[A];第三屆全國(guó)虛擬儀器大會(huì)論文集[C];2008年

2 許林周;章新華;范文濤;;一種盲源分離后續(xù)去冗余方法[A];2009年全國(guó)水聲學(xué)學(xué)術(shù)交流暨水聲學(xué)分會(huì)換屆改選會(huì)議論文集[C];2009年

3 韓少博;林京;吳文燾;;頻域盲源分離中的一種穩(wěn)健解排列模糊方法[A];中國(guó)聲學(xué)學(xué)會(huì)2009年青年學(xué)術(shù)會(huì)議[CYCA’09]論文集[C];2009年

4 章林柯;何琳;江涌;;基于盲源分離的潛艇源識(shí)別信號(hào)去除干擾研究[A];第十一屆船舶水下噪聲學(xué)術(shù)討論會(huì)論文集[C];2007年

5 康春玉;章新華;李軍;;盲源分離與自適應(yīng)濾波器結(jié)合抑制強(qiáng)干擾研究[A];2012'中國(guó)西部聲學(xué)學(xué)術(shù)交流會(huì)論文集(Ⅱ)[C];2012年

6 周祥;樊濤;;基于盲源分離的儲(chǔ)油罐底腐蝕混疊信號(hào)的識(shí)別與分離[A];第八屆沈陽科學(xué)學(xué)術(shù)年會(huì)論文集[C];2011年

7 王穎翠;;一種基于自然梯度的卷積混合頻域盲源分離算法[A];現(xiàn)代通信理論與信號(hào)處理進(jìn)展——2003年通信理論與信號(hào)處理年會(huì)論文集[C];2003年

8 許策;章新華;高成志;;源數(shù)目估計(jì)對(duì)盲源分離算法影響分析[A];2007年全國(guó)水聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2007年

9 成謝鋒;張仲;孫夏;;一種單路混合信號(hào)的盲源分離新方法[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第二分冊(cè)）[C];2009年

10 胡增輝;朱炬波;;基于盲源分離的波達(dá)角估計(jì)[A];第十四屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)(CCSP-2009)論文集[C];2009年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 張良俊;欠定盲源分離算法及其應(yīng)用研究[D];武漢理工大學(xué);2015年

2 吳微;含噪盲源分離算法研究及其在水聲信號(hào)中的應(yīng)用[D];解放軍信息工程大學(xué);2014年

3 駱忠強(qiáng);無線通信盲源分離關(guān)鍵技術(shù)研究[D];電子科技大學(xué);2016年

4 徐先峰;利用參量結(jié)構(gòu)解盲源分離算法研究[D];西安電子科技大學(xué);2010年

5 王爾馥;盲源分離理論及其在通信系統(tǒng)中的應(yīng)用[D];哈爾濱工業(yè)大學(xué);2009年

6 李昌利;盲源分離的若干算法及應(yīng)用研究[D];西安電子科技大學(xué);2010年

7 高建彬;盲源分離算法及相關(guān)理論研究[D];電子科技大學(xué);2012年

8 郭靖;盲源分離的時(shí)頻域算法研究[D];重慶大學(xué);2012年

9 張念;盲源分離理論及其在重磁數(shù)據(jù)處理中的應(yīng)用研究[D];中國(guó)地質(zhì)大學(xué);2013年

10 劉建強(qiáng);非平穩(wěn)環(huán)境中的盲源分離算法研究[D];西安電子科技大學(xué);2009年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 彭帆;多輸入多輸出系統(tǒng)盲源分離頻域新方法的研究[D];汕頭大學(xué);2002年

2 程舒慧;動(dòng)態(tài)盲源分離及其在生物醫(yī)學(xué)信號(hào)處理中的應(yīng)用研究[D];安徽大學(xué);2011年

3 張政;基于獨(dú)立分量分析的盲源分離算法優(yōu)化研究[D];南京信息工程大學(xué);2015年

4 趙挺;蜂群算法及其仿生策略研究[D];浙江大學(xué);2016年

5 梁中遠(yuǎn);基于盲源分離的船舶柴油機(jī)噪聲分離技術(shù)研究[D];大連海事大學(xué);2016年

6 劉婷;自適應(yīng)變步長(zhǎng)盲源分離算法的研究[D];太原理工大學(xué);2016年

7 王曉梅;基于隨機(jī)信號(hào)的單通道盲源分離研究[D];太原科技大學(xué);2015年

8 趙國(guó)偉;基于高階統(tǒng)計(jì)量的盲源分離算法研究[D];長(zhǎng)春工業(yè)大學(xué);2016年

9 劉夢(mèng)蝶;基于自然梯度的盲源分離算法中非線性函數(shù)的研究[D];東北大學(xué);2014年

10 楊坤;基于不完整自然梯度的盲分離算法研究[D];東北大學(xué);2014年

，

本文編號(hào)：705032