隨著科學(xué)技術(shù)的飛速發(fā)展,人們對(duì)智能化的需求越來(lái)越廣泛,腦機(jī)接口（Brain Computer Interface,BCI）技術(shù)作為一種新型人機(jī)交互技術(shù)也隨之從實(shí)驗(yàn)室走到了人們的視線之中,具有廣闊的應(yīng)用前景。但是腦電信號(hào)（Electroencephalogram,EEG）是一種非線性非平穩(wěn)的信號(hào),對(duì)腦電信號(hào)解析的難度較大。為了提高運(yùn)動(dòng)想象腦電信號(hào)的分類準(zhǔn)確率以及腦機(jī)接口的實(shí)用性,本文選擇多任務(wù)運(yùn)動(dòng)想象腦電信號(hào)進(jìn)行研究,多任務(wù)與二分類的不同之處在于分類數(shù)量在三種或者三種以上并且分類難度也會(huì)加大,此外本文還利用腦電信號(hào)采集設(shè)備設(shè)計(jì)了一種腦機(jī)接口系統(tǒng)。1、在腦電信號(hào)預(yù)處理階段:本文采用了帶通濾波、公共平均參考以及獨(dú)立成分分析法,消除了與運(yùn)動(dòng)想象腦電信號(hào)無(wú)關(guān)的信號(hào),從而為腦電信號(hào)的特征提取和分類提供了良好的基礎(chǔ)。2、在腦電信號(hào)識(shí)別階段:從常規(guī)的信號(hào)分解算法出發(fā)引入了固有時(shí)間尺度分解算法（Intrinsic Time-scale Decomposition,ITD）,通過(guò)對(duì)分解信號(hào)的比較,驗(yàn)證了ITD分解的優(yōu)越性;在選取分解分量能量和AR模型系數(shù)特征的同時(shí),還引入了相位同步對(duì)運(yùn)動(dòng)想象時(shí)各電極之間的... 

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究的背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 腦電信號(hào)處理國(guó)內(nèi)外研究進(jìn)展
        1.2.2 腦機(jī)接口系統(tǒng)國(guó)內(nèi)外發(fā)展現(xiàn)狀
    1.3 目前存在的問(wèn)題
    1.4 本文研究的主要內(nèi)容
第2章 腦電信號(hào)概述及其預(yù)處理
    2.1 腦電信號(hào)的基礎(chǔ)知識(shí)
        2.1.1 腦電信號(hào)的產(chǎn)生
        2.1.2 腦電信號(hào)的分類
        2.1.3 腦電信號(hào)的特點(diǎn)
    2.2 事情相關(guān)去同步與同步
    2.3 腦電信號(hào)的采集
        2.3.1 腦電信號(hào)采集方式
        2.3.2 國(guó)際標(biāo)準(zhǔn)電極放置方法
        2.3.3 腦電信號(hào)數(shù)據(jù)集采集范式
    2.4 腦電信號(hào)的預(yù)處理
        2.4.1 帶通濾波
        2.4.2 公共平均參考法
        2.4.3 獨(dú)立成分分析法
    2.5 本章小結(jié)
第3章 基于ITD的多類運(yùn)動(dòng)想象腦電模式研究
    3.1 經(jīng)驗(yàn)?zāi)B(tài)分解
    3.2 固有時(shí)間尺度分解
    3.3 特征選擇與特征提取
        3.3.1 信號(hào)能量特征
        3.3.2 自回歸模型系數(shù)
        3.3.3 相位同步分析
    3.4 腦電信號(hào)特征分類
        3.4.1 支持向量機(jī)
        3.4.2 評(píng)價(jià)標(biāo)準(zhǔn)
        3.4.3 實(shí)驗(yàn)結(jié)果與分析
    3.5 本章小結(jié)
第4章 腦機(jī)接口系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
    4.1 系統(tǒng)整體方案
    4.2 基于腦機(jī)接口的人機(jī)交互系統(tǒng)實(shí)現(xiàn)
        4.2.1 信號(hào)采集單元
        4.2.2 數(shù)據(jù)處理單元
        4.2.3 控制指令輸出單元
        4.2.4 字符輸入單元
    4.3 系統(tǒng)測(cè)試與分析
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 前景展望
參考文獻(xiàn)
作者簡(jiǎn)介及科研成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于多域特征與隨機(jī)子空間集成的腦電分類[J]. 鄧欣,龍燦,米建勛,張博憲,孫開(kāi)偉,王進(jìn).  系統(tǒng)仿真學(xué)報(bào). 2020(09)
[2]CNN實(shí)現(xiàn)的運(yùn)動(dòng)想象腦電分類及人-機(jī)器人交互[J]. 程時(shí)偉,周桃春,唐智川,范菁,孫凌云,朱安杰.  軟件學(xué)報(bào). 2019(10)
[3]基于CSP與卷積神經(jīng)網(wǎng)絡(luò)算法的多類運(yùn)動(dòng)想象腦電信號(hào)分類[J]. 曾慶山,范明莉,宋慶祥.  科學(xué)技術(shù)與工程. 2017(27)
[4]面向康復(fù)與輔助應(yīng)用的腦-機(jī)接口趨勢(shì)與展望[J]. 王仲朋,陳龍,何峰,萬(wàn)柏坤,明東.  儀器儀表學(xué)報(bào). 2017(06)
[5]多類運(yùn)動(dòng)想象腦電信號(hào)的兩級(jí)特征提取方法[J]. 孟明,朱俊青,佘青山,馬玉良,羅志增.  自動(dòng)化學(xué)報(bào). 2016(12)
[6]腦科學(xué)與類腦研究概述[J]. 蒲慕明,徐波,譚鐵牛.  中國(guó)科學(xué)院院刊. 2016(07)
[7]基于KNN算法的改進(jìn)的一對(duì)多SVM多分類器[J]. 劉雨康,張正陽(yáng),陳琳琳,陳靜.  計(jì)算機(jī)工程與應(yīng)用. 2015(24)
[8]改進(jìn)的一對(duì)一支持向量機(jī)多分類算法[J]. 單玉剛,王宏,董爽.  計(jì)算機(jī)工程與設(shè)計(jì). 2012(05)
[9]四類運(yùn)動(dòng)想象腦電信號(hào)特征提取與分類算法[J]. 施錦河,沈繼忠,王攀.  浙江大學(xué)學(xué)報(bào)(工學(xué)版). 2012(02)
[10]人腦連接組研究:腦結(jié)構(gòu)網(wǎng)絡(luò)和腦功能網(wǎng)絡(luò)[J]. 梁夏,王金輝,賀永.  科學(xué)通報(bào). 2010(16)

碩士論文
[1]基于運(yùn)動(dòng)想象的腦機(jī)交互系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 張子琪.哈爾濱工業(yè)大學(xué) 2019
[2]多類運(yùn)動(dòng)想象腦電信號(hào)識(shí)別及其在BCI中的應(yīng)用研究[D]. 趙凱.東北電力大學(xué) 2019
[3]基于立體視覺(jué)刺激的腦機(jī)接口環(huán)境控制系統(tǒng)研究[D]. 劉君.華南理工大學(xué) 2018
[4]小波預(yù)處理的ITD方法在腦電信號(hào)處理中的應(yīng)用研究[D]. 梁悅.太原理工大學(xué) 2017
[5]四類運(yùn)動(dòng)想象任務(wù)的腦電信號(hào)識(shí)別算法研究[D]. 張煥.山西大學(xué) 2016
[6]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
[7]基于小波變換的腦電信號(hào)處理研究[D]. 孔繁偉.山東大學(xué) 2005



本文編號(hào)：3682688