【摘要】：基于運(yùn)動(dòng)想象的腦機(jī)接口是一種非常重要的腦機(jī)交互策略,其特點(diǎn)是用戶通過(guò)思維“想象”相關(guān)的腦信號(hào)來(lái)控制機(jī)器人或外部設(shè)備,由于其在運(yùn)動(dòng)功能康復(fù)、運(yùn)動(dòng)功能輔助等方面具有巨大的潛在應(yīng)用價(jià)值,受到了廣泛的關(guān)注。腦機(jī)接口系統(tǒng)為人的大腦和外部世界提供了另外一種通信途徑,它本身是一系列硬件設(shè)備和軟件的集合。腦機(jī)接口系統(tǒng)的重要研究?jī)?nèi)容和關(guān)鍵技術(shù)在于從所檢測(cè)的腦神經(jīng)電活動(dòng)數(shù)據(jù)中識(shí)別出使用者主觀動(dòng)作意圖并通過(guò)適當(dāng)?shù)哪Ｊ阶R(shí)別算法將之轉(zhuǎn)換為控制外部機(jī)電設(shè)備的執(zhí)行命令,因此開(kāi)展對(duì)運(yùn)動(dòng)想象腦電特征提取、特征選擇和特征分類等的研究具有十分重要的意義�；谶\(yùn)動(dòng)想象的腦機(jī)接口系統(tǒng)主要使用運(yùn)動(dòng)感知節(jié)律信號(hào)的幅度調(diào)制信息來(lái)反應(yīng)被試者的動(dòng)作意圖,這種調(diào)制通常會(huì)產(chǎn)生具有明顯對(duì)側(cè)效應(yīng)的事件相關(guān)去同步和事件相關(guān)同步現(xiàn)象,對(duì)于不同的受試者,事件相關(guān)去同步和事件相關(guān)同步現(xiàn)象往往出現(xiàn)在不同的腦區(qū)、不同的頻帶范圍、不同的時(shí)間段內(nèi)。本文首先結(jié)合雙樹(shù)復(fù)小波變換和粒子群優(yōu)化算法提出一種頻域優(yōu)化及時(shí)間域全局參數(shù)優(yōu)化選擇算法。在該算法中,頻域和時(shí)間域上的優(yōu)化還是相對(duì)獨(dú)立的,在此基礎(chǔ)上,本文進(jìn)一步提出一種基于人工蜂群算法的時(shí)頻域參數(shù)聯(lián)合優(yōu)化選擇算法,配合以導(dǎo)聯(lián)(電極)選擇算法,在空間域、時(shí)間域及頻域上進(jìn)行全面優(yōu)化。共空間模式算法已被證明是最有效的運(yùn)動(dòng)想象腦電特征提取算法之一,但導(dǎo)聯(lián)選擇、頻帶濾波以及時(shí)間區(qū)間選擇對(duì)該算法的效果具有決定性的影響。此外,算法中的協(xié)方差矩陣的計(jì)算極易受噪聲樣本或異常樣本的干擾,在設(shè)計(jì)最優(yōu)濾波器的時(shí)候,目前絕大多數(shù)研究都直接根據(jù)特征值進(jìn)行濾波器向量的選取。針對(duì)上述問(wèn)題,本文提出利用稀疏回歸的思想進(jìn)行多重局部時(shí)頻塊優(yōu)化選取,同時(shí)本文還分析和研究了魯棒性空間濾波器組設(shè)計(jì),以減少腦電非平穩(wěn)特性和噪聲對(duì)共空間模式算法的影響。在稀疏表示分類算法中,測(cè)試樣本由所有的訓(xùn)練樣本線性表示,這增加了算法自適應(yīng)操作的靈活性,同時(shí)也對(duì)訓(xùn)練樣本的質(zhì)量提出了更高的要求。由于很多復(fù)雜的原因,例如腦電信號(hào)的非平穩(wěn)特性或被試者的誤操作,一些非正常樣本會(huì)混入字典中。為了去除字典中存在的非正常樣本,并提高稀疏表示分類算法的分類性能,本文提出一種基于k近鄰算法的字典清理方案,并實(shí)際采集了右手食指運(yùn)動(dòng)想象腦電數(shù)據(jù)集用于本部分算法的驗(yàn)證,實(shí)驗(yàn)結(jié)果證實(shí)了食指運(yùn)動(dòng)想象腦電的可辨識(shí)性和改進(jìn)算法的有效性。在運(yùn)動(dòng)想象腦電特征分類階段,線性判別分析算法較為頻繁地被應(yīng)用于腦機(jī)接口系統(tǒng)應(yīng)用中。但從腦機(jī)接口系統(tǒng)有關(guān)的文獻(xiàn)來(lái)看,核方法往往能取得比線性方法更好的分類效果。本文率先將多核判別分析的思想引入到運(yùn)動(dòng)想象腦電信號(hào)分類中,提出一種基于線性核和高斯核的多核構(gòu)建方案,并使用了Fisher’s線性判別分析準(zhǔn)則作為核函數(shù)權(quán)重選擇的依據(jù)。在特征優(yōu)化上,本文提出了一種基于復(fù)合核支持向量機(jī)算法的多重局部時(shí)頻塊優(yōu)化選取方案。在傳統(tǒng)的運(yùn)動(dòng)想象腦電模式識(shí)別算法中,特征提取和特征分類這兩個(gè)環(huán)節(jié)通常是相對(duì)獨(dú)立的。盡管這種傳統(tǒng)的模式識(shí)別方式已經(jīng)被廣泛采用,但手工選取腦電信號(hào)特征還是會(huì)存在依靠經(jīng)驗(yàn)和先驗(yàn)知識(shí)的問(wèn)題,并且特征提取算法和特征分類算法往往使用的是不同的目標(biāo)函數(shù),這些都會(huì)在一定程度上影響模式識(shí)別的效果。本文提出一種肢體運(yùn)動(dòng)想象腦電空頻特征深度學(xué)習(xí)及模式分類算法,設(shè)計(jì)了一個(gè)多層卷積神經(jīng)網(wǎng)絡(luò)模型用于運(yùn)動(dòng)想象腦電模式識(shí)別,直接面向原始腦電信號(hào)提取更深層、更具有區(qū)分度和可解釋性的特征,同時(shí)將特征提取和特征分類包含在一個(gè)框架內(nèi),避免了將兩者分離帶來(lái)的信息丟失。本論文的研究,豐富了運(yùn)動(dòng)想象腦電模式識(shí)別的思路,能夠解決當(dāng)前存在的一些關(guān)鍵問(wèn)題,對(duì)于其他領(lǐng)域的模式識(shí)別問(wèn)題也具有一定的借鑒意義。
【圖文】：

圖 3-11 字典設(shè)計(jì)和線性稀疏表示模型(a) (b)0 50 100 150 200 250-0.5-0.4-0.3-0.2-0.100.10.20.30.4Feature vector indexCefofcientiSRC0 50 100 150 200 250-0.5-0.4-0.3-0.2-0.100.10.20.3Feature vector indexCoeficientSRC稀疏表示分類 稀疏表示分類因子值因子值特征向量索引 特征向量索引圖 3-12 被試者“al”的稀疏表示分類結(jié)果注意到腦電信號(hào)通常是含噪的并且具有非平穩(wěn)特性，，因此每一類中均可能存在若干不
【學(xué)位授予單位】：東南大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2018
【分類號(hào)】：R318;TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 馮正直;張睿;;軍事認(rèn)知神經(jīng)科學(xué)研究進(jìn)展[J];第三軍醫(yī)大學(xué)學(xué)報(bào);2013年20期

2 楊幫華;陸文宇;何美燕;劉麗;;腦機(jī)接口中基于WPD和CSP的特征提取[J];儀器儀表學(xué)報(bào);2012年11期

3 徐寶國(guó);宋愛(ài)國(guó);費(fèi)樹(shù)岷;;運(yùn)動(dòng)意識(shí)任務(wù)的模式識(shí)別方法研究[J];儀器儀表學(xué)報(bào);2011年01期

4 王艷景;喬曉艷;李鵬;李剛;;基于小波包熵和支持向量機(jī)的運(yùn)動(dòng)想象任務(wù)分類研究[J];儀器儀表學(xué)報(bào);2010年12期

5 李明愛(ài);王蕊;郝冬梅;;想象左右手運(yùn)動(dòng)的腦電特征提取及分類研究[J];中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào);2009年02期

本文編號(hào)：2650602