腦-機接口（BCI）是使人可以在跳過外圍神經(jīng)系統(tǒng)和肌肉的情況下,只需采集大腦發(fā)出的信號便可實現(xiàn)與計算機或者其他設備通信的系統(tǒng)。而諸如運動想象腦電信號（EEG）的主動式腦電信號分類又是腦-機接口系統(tǒng)中的重要問題。但目前運動想象腦電信號等應用仍然需要采集多通道的腦電信號并且識別準確度往往難以達到要求。而腦電信號處理過程中預處理、特征提取以及任務分類都會影響到整個分類結果。本文以運動想象腦電信號為研究對象,通過實驗分析確定了最佳預處理方法,并提出了腦電信號的稀疏特征提取和正則化的判別分析方法,最終提高整個判別系統(tǒng)的分類性能。論文的主要工作內(nèi)容如下:（1）通過查閱資料獲取公開數(shù)據(jù)集,并自主設計實驗獲取到自主實驗數(shù)據(jù)集,在這兩種數(shù)據(jù)集下展開研究。信號的預處理往往對信號的分類有著重要的影響,為此,本文分別對兩種數(shù)據(jù)集驗證了不同方式的預處理方法,通過得到的結果選擇較優(yōu)的預處理手段對原始腦電信號進行了相應的濾波處理。（2）針對多通道腦電信號分類識別中各通道數(shù)據(jù)以及空間濾波器的數(shù)據(jù)選擇方面往往缺乏有效的策略這一問題,提出了一種新的特征提取算法:稀疏共空間模式（SCSP）算法。采用稀疏共空間模式可以有效克... 

【文章來源】：燕山大學河北省

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【部分圖文】：

神經(jīng)網(wǎng)絡與腦電信號

燕山大學工學碩士學位論文-16-“維數(shù)災難”的問題，很多原本適用于低維判別分析的算法不再適用。為解決這一問題，往往采取降維的手段。Fihser方法就可以有效地實現(xiàn)數(shù)據(jù)降維，進而很好的解決這一問題。Fisher分類方法，即線性判別分析（LinearDiscriminationAnalysis，LDA）根據(jù)兩類信號類內(nèi)密集、類間分離的原則尋找最佳的投影向量，通過壓縮維數(shù)將多維特征空間的點壓縮在一條直線上，進而達到降維的目的[69]。將多維數(shù)據(jù)投影到一條直線上，多維數(shù)據(jù)便降為一維，這一過程并不難實現(xiàn)。但如果隨意選擇投影直線，就不能保證將不同類別信號分開，如圖2-3所示，如果投影到最不利的方向，則無法將兩類數(shù)據(jù)分開。但是指定能找到一個最佳投影方向，將多維數(shù)據(jù)向這一方向投影后，兩類數(shù)據(jù)便很容易就能分開。所以找到一個最佳投影方向至關重要。線性判別分析算發(fā)就提供了最佳投影直線的尋找方法，算法實現(xiàn)過程如下：圖2-3線性判別方法原理（1）計算各類樣本的均值向量mi，mi是各個類的均值，Ni是wi類的樣本個數(shù)。11,2iiXwmXiN==（2-8）（2）計算樣本的類內(nèi)離散度矩陣Si和總類內(nèi)離散度矩陣Sw。()()1,2iiiiXwSXmXmi==（2-9）w12S=S+S（2-10）（3）計算樣本的類間離散度矩陣Sb。

燕山大學工學碩士學位論文-22-圖3-3三種空間濾波方法的對比三種濾波器都能夠?qū)崿F(xiàn)信號的去噪，在盡可能保留需要的信息的基礎上，使信號更加純凈，進而提高信號的信噪比。如圖3-3所示，三種濾波器實現(xiàn)過程中，紅色電極表示要進行濾波的電極，其電位大小由標注為綠色的電極的電位作為參考去進行優(yōu)化。通常情況下，共平均參考方法和大拉普拉斯選擇的通道較多或較遠，去除噪聲效果稍差，但是不容易削弱信號的特征，小拉普拉斯正好相反，具體使用那哪種方法還要結合實際情況而定，在后續(xù)實驗中，本章將具體分析使用哪一種濾波方法效果好。3.4實驗分析為了選擇合適的預處理手段，本節(jié)詳細分析了不同預處理手段對腦電信號判別分析的影響，分別對空間濾波的預處理方法和時頻濾波預處理這兩種預處理手段進行了對比實驗。3.4.1實驗數(shù)據(jù)在3.1節(jié)中介紹了兩種運動想象腦電數(shù)據(jù)，，結合數(shù)據(jù)本身的特點，本章采用自主實驗數(shù)據(jù)驗證空間濾波的預處理方法，同時采用第Ⅳ屆BCI比賽數(shù)據(jù)集I驗證μ節(jié)律和β節(jié)律這兩個頻段的腦電信號在分類結果上的差異。3.4.2μ節(jié)律和β節(jié)律頻段的腦電信號分類結果比較本節(jié)采用第Ⅳ屆BCI比賽數(shù)據(jù)集I進行實驗，以比較μ節(jié)律和β節(jié)律下運動想象腦電信號的分類結果。同樣采用共空間模式加線性判別分析組合算法對腦電信號進行判別分析。實驗結果如圖3-4所示。圖中ACC表示準確度，MSE表示均方誤差。CARSmallLaplacianLargeLaplacian

【參考文獻】：
期刊論文
[1]基于Fisher準則的單次運動想象腦電信號意圖識別研究[J]. 付榮榮,侯培國,李曼迪.  生物醫(yī)學工程學雜志. 2018(05)
[2]腦機接口研究概述[J]. 左開偉,劉建平,程馨瑩.  中國新通信. 2016(01)
[3]基于共空間模式方法的多類運動想象腦電的導聯(lián)選擇[J]. 周蚌艷,吳小培,呂釗,張磊,郭曉靜,張超.  生物醫(yī)學工程學雜志. 2015(03)
[4]應用于圖像特征識別的主成分分析算法[J]. 亓文永,葉心太.  科技信息(科學教研). 2008(22)
[5]淺談腦—機接口的發(fā)展現(xiàn)狀與挑戰(zhàn)[J]. 高上凱.  中國生物醫(yī)學工程學報. 2007(06)
[6]基于層次型支持向量機的人臉檢測[J]. 馬勇,丁曉青.  清華大學學報(自然科學版). 2003(01)
[7]21世紀腦的世紀——新世紀腦科學發(fā)展前瞻[J]. 蘇坦坡.  中國人才. 2002(01)
[8]“腦的10年”與神經(jīng)康復研究[J]. 王茂斌.  現(xiàn)代康復. 1999(11)

碩士論文
[1]運動想象腦機接口中模式識別方法研究[D]. 葛榮祥.東南大學 2018
[2]基于運動想象的腦電信號分析研究[D]. 蘇振新.南京郵電大學 2017
[3]基于P300和運動想象的腦機接口研究[D]. 孫中錢.山東大學 2013
[4]模糊聚類分析實現(xiàn)多特征融合的人臉識別方法[D]. 高璐.吉林大學 2012



本文編號：2931993