本文關(guān)鍵詞：運(yùn)動(dòng)想象腦—機(jī)接口的神經(jīng)機(jī)制與識(shí)別算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：運(yùn)動(dòng)想象腦-機(jī)接口(Motor Imagery-based Brain-Computer Interface,MI-BCI)提供了一條不經(jīng)周圍神經(jīng)系統(tǒng)的替代性運(yùn)動(dòng)輸出通路,在運(yùn)動(dòng)輔助和神經(jīng)康復(fù)領(lǐng)域有著巨大的應(yīng)用價(jià)值。國(guó)內(nèi)外許多研究單位均發(fā)展出了能夠?qū)崟r(shí)輸出控制命令的在線MI-BCI系統(tǒng),但是由于受腦電(Electroencephalogram,EEG)記錄電極技術(shù),腦電信號(hào)非平穩(wěn)性,環(huán)境噪聲,分類識(shí)別穩(wěn)定性和被試間差異等因素的影響,多數(shù)在線MI-BCI在線系統(tǒng)無(wú)法走出實(shí)驗(yàn)室。本文采用EEG和功能磁共振(functional Magnetic Resonance Imaging,f MRI)兩種模態(tài),首先從靜息態(tài)入手研究了影響MI-BCI控制表現(xiàn)的神經(jīng)機(jī)制,其次發(fā)展了一種魯棒性更好的特征提取算法和分類性能更高的模式識(shí)別算法。主要研究?jī)?nèi)容如下:1.不同被試操控MI-BCI的表現(xiàn)存在差異,我們提出了一個(gè)可以有效預(yù)測(cè)被試MI-BCI控制表現(xiàn)的靜息態(tài)譜熵指標(biāo),它源自于C3電極記錄的2分鐘的閉眼靜息態(tài)EEG數(shù)據(jù)。譜熵指標(biāo)與被試的MI-BCI控制表現(xiàn)的相關(guān)系數(shù)達(dá)到0.65。在同一實(shí)驗(yàn)數(shù)據(jù)集內(nèi)和不同實(shí)驗(yàn)數(shù)據(jù)集間的分類中,該指標(biāo)均表現(xiàn)出了優(yōu)良的區(qū)分MI-BCI控制表現(xiàn)高/低被試的能力,分類準(zhǔn)確率分別為82%和89%。據(jù)文獻(xiàn)調(diào)研,本研究是第一個(gè)討論不同實(shí)驗(yàn)數(shù)據(jù)集條件下MI-BCI控制表現(xiàn)的預(yù)測(cè)指標(biāo)的分類穩(wěn)定性的工作。靜息態(tài)EEG譜熵指標(biāo)有助于在短時(shí)間內(nèi)鑒定被試潛在的MI-BCI控制能力,避免對(duì)“盲”被試進(jìn)行耗時(shí)的、無(wú)意義的訓(xùn)練。2.從靜息態(tài)EEG腦網(wǎng)絡(luò)的角度分析了MI-BCI控制表現(xiàn)被試間差異的神經(jīng)機(jī)制。發(fā)現(xiàn)靜息態(tài)EEG腦網(wǎng)絡(luò)的空間拓?fù)浣Y(jié)構(gòu)與MI-BCI控制表現(xiàn)緊密相關(guān),其中腦網(wǎng)絡(luò)的平均功能連接強(qiáng)度,節(jié)點(diǎn)度,連接邊強(qiáng)度,聚類系數(shù),局部效率和全局效率與被試的MI-BCI控制表現(xiàn)呈現(xiàn)正相關(guān)關(guān)系,而腦網(wǎng)絡(luò)的特征路徑長(zhǎng)度與其呈負(fù)相關(guān)關(guān)系。這揭示出高效率的靜息態(tài)EEG腦網(wǎng)絡(luò)有助于提高被試的MI-BCI控制能力。進(jìn)一步,基于靜息態(tài)EEG腦網(wǎng)絡(luò)的四個(gè)信息傳輸效率指標(biāo),構(gòu)建了一個(gè)多元線性回歸模型來(lái)預(yù)測(cè)被試的MI-BCI控制能力,預(yù)測(cè)值與真實(shí)值之間的相關(guān)系數(shù)為0.75,均方根誤差為10.5%。3.基于fMRI數(shù)據(jù),在體素水平上計(jì)算了大腦功能網(wǎng)絡(luò)中所有節(jié)點(diǎn)的功能連接密度(Functional Connectivity Density,FCD)。主要發(fā)現(xiàn)雙側(cè)殼核、腦島和枕中回是與被試MI-BCI控制能力相關(guān)的重要節(jié)點(diǎn),其中雙側(cè)殼核和腦島處的長(zhǎng)程FCD與MI-BCI控制表現(xiàn)負(fù)相關(guān),而雙側(cè)枕中回處的長(zhǎng)程FCD與MI-BCI控制表現(xiàn)正相關(guān),以上結(jié)果有助于加深我們對(duì)MI-BCI控制的大腦網(wǎng)絡(luò)機(jī)制的理解。4.提出了一種局部時(shí)間相關(guān)共空間模式(Local Temporal Correlation Common Spatial Patterns,LTCCSP)方法用于MI-BCI的特征提取。該方法將局部時(shí)間相關(guān)信息作為權(quán)重加入到CSP(Common Spatial Patterns)算法的協(xié)方差矩陣的估計(jì)過(guò)程中,可以提高估計(jì)出的空間濾波器的魯棒性。仿真實(shí)驗(yàn)結(jié)果顯示,LTCCSP在不同噪聲出現(xiàn)概率情況下均能保持較高的分類識(shí)別準(zhǔn)確率。在基于真實(shí)MI-BCI數(shù)據(jù)的對(duì)比實(shí)驗(yàn)中,我們發(fā)現(xiàn)LTCCSP依然能夠獲得最高的分類識(shí)別準(zhǔn)確率。上述結(jié)果一致揭示出LTCCSP算法可以有效的提取MI-BCI的運(yùn)動(dòng)想象相關(guān)EEG特征,且具有較高的魯棒性。5.提出一種用于MI-BCI的分類識(shí)別算法Z-LDA(Z-score Linear Discriminant Analysis)。經(jīng)典LDA(Linear Discriminant Analysis)算法只使用訓(xùn)練集樣本低維投影后分布的均值來(lái)定義分類邊界,而Z-LDA同時(shí)使用投影后分布的均值和標(biāo)準(zhǔn)差信息來(lái)定義分類邊界,能夠自適應(yīng)的調(diào)整分類邊界以適應(yīng)待分類樣本異方差分布的情況。從仿真數(shù)據(jù)集和2個(gè)真實(shí)的MI-BCI數(shù)據(jù)集得到的結(jié)果一致顯示,Z-LDA能夠取得顯著高于傳統(tǒng)LDA方法的分類正確率,表明本文所提出的新型分類邊界定義策略在MI-BCI中的分類識(shí)別中具有一定的優(yōu)越性。綜上,本文一方面建立了一個(gè)可以預(yù)測(cè)被試MI-BCI控制表現(xiàn)的靜息態(tài)EEG譜熵指標(biāo),并基于EEG和f MRI兩種模態(tài)從靜息態(tài)腦網(wǎng)絡(luò)角度研究了MI-BCI控制的神經(jīng)機(jī)制;另一方面在MI-BCI的信號(hào)處理算法領(lǐng)域,首先發(fā)展了一種魯棒性更好的CSP改進(jìn)算法,其次提出了一種新的分類邊界定義策略以提高分類正確率。這些工作有助于加快MI-BCI走出實(shí)驗(yàn)室的進(jìn)程。
【關(guān)鍵詞】：腦-機(jī)接口 譜熵 靜息態(tài)腦網(wǎng)絡(luò) 功能連接密度 特征提取 模式識(shí)別
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：R338;TN911.7
【目錄】：

• 摘要5-7
• ABSTRACT7-14
• 第一章 緒論14-29
• 1.1 腦-機(jī)接.的背景介紹14-19
• 1.1.1 腦-機(jī)接.系統(tǒng)的構(gòu)成框架14-15
• 1.1.2 腦-機(jī)接.的類型15-19
• 1.2 運(yùn)動(dòng)想象的腦機(jī)制19-21
• 1.2.1 運(yùn)動(dòng)想象的腦功能區(qū)定位19-20
• 1.2.2 運(yùn)動(dòng)想象的腦網(wǎng)絡(luò)研究20-21
• 1.3 運(yùn)動(dòng)想象腦-機(jī)接21-24
• 1.3.1 特征提取21-22
• 1.3.2 模式分類22-23
• 1.3.3 被試間差異23
• 1.3.4 MI-BCI的知名研究機(jī)構(gòu)23-24
• 1.4 運(yùn)動(dòng)想象腦-機(jī)接.的應(yīng)用方向24-26
• 1.4.1 運(yùn)動(dòng)輔助24-25
• 1.4.2 神經(jīng)康復(fù)25-26
• 1.5 本文主要工作26-28
• 1.6 論文結(jié)構(gòu)28-29
• 第二章 靜息態(tài)EEG譜熵指標(biāo)預(yù)測(cè)MI-BCI控制表現(xiàn)的研究29-47
• 2.1 引言29-30
• 2.2 材料與方法30-36
• 2.2.1 實(shí)驗(yàn)被試30-31
• 2.2.2 實(shí)驗(yàn)范式及數(shù)據(jù)采集31-32
• 2.2.3 被試的MI-BCI控制表現(xiàn)32-34
• 2.2.4 靜息態(tài)EEG譜熵34-35
• 2.2.5 基于靜息態(tài)EEG譜熵預(yù)測(cè)被試的MI-BCI控制表現(xiàn)35-36
• 2.2.6 兩輪實(shí)驗(yàn)間被試MI-BCI控制表現(xiàn)和預(yù)測(cè)指標(biāo)的變化36
• 2.2.7 相關(guān)的研究工作36
• 2.3 結(jié)果36-42
• 2.3.1 被試的MI-BCI控制表現(xiàn)36-37
• 2.3.2 靜息態(tài)EEG譜熵與MI-BCI控制表現(xiàn)的關(guān)系37-38
• 2.3.3 同一實(shí)驗(yàn)輪次內(nèi)的MI-BCI控制表現(xiàn)預(yù)測(cè)38-40
• 2.3.4 不同實(shí)驗(yàn)輪次間的MI-BCI控制表現(xiàn)預(yù)測(cè)40-41
• 2.3.5 兩輪實(shí)驗(yàn)間被試的MI-BCI控制表現(xiàn)與預(yù)測(cè)指標(biāo)的變化41-42
• 2.4 討論42-46
• 2.4.1 MI-BCI“盲”現(xiàn)象43
• 2.4.2 靜息態(tài)EEG譜熵指標(biāo)的特點(diǎn)43-45
• 2.4.3 不同實(shí)驗(yàn)輪次間的預(yù)測(cè)性能45
• 2.4.4 SMR，，ATR和譜熵預(yù)測(cè)指標(biāo)45-46
• 2.4.5 局限性46
• 2.5 本章小結(jié)46-47
• 第三章 基于靜息態(tài)EEG腦網(wǎng)絡(luò)的MI-BCI控制表現(xiàn)研究47-60
• 3.1 引言47-48
• 3.2 材料與方法48-51
• 3.2.1 實(shí)驗(yàn)數(shù)據(jù)48
• 3.2.2 被試的MI-BCI控制表現(xiàn)48
• 3.2.3 靜息態(tài)EEG腦網(wǎng)絡(luò)的構(gòu)建48-49
• 3.2.4 圖論分析49-50
• 3.2.5 基于多元線性回歸模型的MI-BCI控制表現(xiàn)預(yù)測(cè)50-51
• 3.3 結(jié)果51-54
• 3.3.1 MI-BCI控制表現(xiàn)與腦網(wǎng)絡(luò)的關(guān)系：平均功能連接強(qiáng)度51
• 3.3.2 MI-BCI控制表現(xiàn)與腦網(wǎng)絡(luò)的關(guān)系：節(jié)點(diǎn)度與邊連接強(qiáng)度51-52
• 3.3.3 MI-BCI控制表現(xiàn)與腦網(wǎng)絡(luò)的關(guān)系：網(wǎng)絡(luò)傳輸效率52-54
• 3.3.4 靜息態(tài)EEG腦網(wǎng)絡(luò)屬性的穩(wěn)定性54
• 3.3.5 基于腦網(wǎng)絡(luò)傳輸效率指標(biāo)預(yù)測(cè)MI-BCI控制表現(xiàn)54
• 3.4 討論54-59
• 3.4.1 節(jié)點(diǎn)度、連接邊與偏側(cè)性55-57
• 3.4.2 網(wǎng)絡(luò)信息傳輸效率與MI-BCI控制表現(xiàn)57
• 3.4.3 MI-BCI控制能力預(yù)測(cè)57-58
• 3.4.4 與SSVEP-BCI研究的關(guān)系58
• 3.4.5 參考電極對(duì)EEG腦網(wǎng)絡(luò)的影響58-59
• 3.4.6 容積傳導(dǎo)效應(yīng)對(duì)EEG腦網(wǎng)絡(luò)的影響59
• 3.5 本章小結(jié)59-60
• 第四章 基于長(zhǎng)程FCD的MI-BCI控制表現(xiàn)研究60-66
• 4.1 引言60-61
• 4.2 材料與方法61-63
• 4.2.1 實(shí)驗(yàn)被試61
• 4.2.2 被試分組61
• 4.2.3 fMRI數(shù)據(jù)采集61-62
• 4.2.4 fMRI數(shù)據(jù)預(yù)處理62
• 4.2.5 功能連接密度分析62-63
• 4.3 結(jié)果63-65
• 4.3.1 長(zhǎng)程FCD的組間差異63-64
• 4.3.2 基于長(zhǎng)程FCD預(yù)測(cè)MI-BCI控制表現(xiàn)64-65
• 4.4 討論65
• 4.5 本章小結(jié)65-66
• 第五章 基于LTCCSP的MI-BCI特征提取算法66-76
• 5.1 引言66-67
• 5.2 材料與方法67-70
• 5.2.1 CSP算法原理67-68
• 5.2.2 LTCCSP算法原理68-70
• 5.2.3 LTCCSP算法在MI-BCI在線系統(tǒng)中的應(yīng)用70
• 5.3 結(jié)果70-74
• 5.3.1 仿真噪聲干擾的MI-BCI數(shù)據(jù)集70-73
• 5.3.2 真實(shí)MI-BCI數(shù)據(jù)集73-74
• 5.4 討論74-75
• 5.5 本章小結(jié)75-76
• 第六章 基于Z-LDA的MI-BCI分類識(shí)別算法76-88
• 6.1 引言76-77
• 6.2 材料與方法77-79
• 6.2.1 LDA算法原理77-78
• 6.2.2 Z-LDA的原理78-79
• 6.2.3 Z-LDA與LDA之間的關(guān)系79
• 6.3 結(jié)果79-84
• 6.3.1 仿真實(shí)驗(yàn)結(jié)果79-82
• 6.3.2 真實(shí)的MI-BCI數(shù)據(jù)集分類結(jié)果82-84
• 6.4 討論84-87
• 6.5 本章小結(jié)87-88
• 第七章 總結(jié)與展望88-92
• 7.1 全文總結(jié)88-89
• 7.2 未來(lái)展望89-92
• 致謝92-93
• 參考文獻(xiàn)93-108
• 附錄 基于PLI的腦網(wǎng)絡(luò)與MI-BCI控制表現(xiàn)間的關(guān)系108-111
• 攻讀博士學(xué)位期間取得的成果111-114

【共引文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 蔡永春,堯德中;真實(shí)頭模型中的源電位計(jì)算方法與效果[J];電子科技大學(xué)學(xué)報(bào);2003年02期

2 堯德中;選擇性注意腦電成分的新模型及其應(yīng)用(英文)[J];電子科技大學(xué)學(xué)報(bào);2004年04期

3 李凌;堯德中;劉鐵軍;趙麗娜;;刺激前后腦電α波相位重排現(xiàn)象研究[J];電子科技大學(xué)學(xué)報(bào);2006年01期

4 曾敏;賴永秀;任鵬;邱麗君;堯德中;;跨通路實(shí)驗(yàn)?zāi)Ｊ降囊曈X(jué)失匹配負(fù)波研究[J];電子科技大學(xué)學(xué)報(bào);2007年05期

5 段曉勇;彭仕政;李龍武;張玉強(qiáng);衛(wèi)高峰;劉曉春;;時(shí)諧偶極子在介質(zhì)球頭模型中的電位分布[J];電子科技大學(xué)學(xué)報(bào);2008年01期

6 賴永秀;高婷婷;吳丹;堯德中;;音樂(lè)情緒感知的腦電研究[J];電子科技大學(xué)學(xué)報(bào);2008年02期

7 堯德中;劉鐵軍;雷旭;楊平;徐鵬;張楊松;;基于腦電的腦-機(jī)接口:關(guān)鍵技術(shù)和應(yīng)用前景[J];電子科技大學(xué)學(xué)報(bào);2009年05期

8 李凌;張金香;;閉眼與開眼靜息狀態(tài)下腦電α波的差異研究[J];電子科技大學(xué)學(xué)報(bào);2010年03期

9 賴永秀;夏陽(yáng);萬(wàn)衡;雷町;堯德中;;癲癇發(fā)作的兩種模式[J];電子科技大學(xué)學(xué)報(bào);2010年03期

10 劉練紅,劉旭峰,呂靜,苗丹民,皇甫恩,邵永聰;漢字心理旋轉(zhuǎn)的事件相關(guān)電位研究[J];第四軍醫(yī)大學(xué)學(xué)報(bào);2004年22期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 劉楊;事件相關(guān)電位腦—機(jī)接口的最優(yōu)設(shè)計(jì)[D];國(guó)防科學(xué)技術(shù)大學(xué);2010年

2 羅程;多模態(tài)神經(jīng)成像技術(shù)在特發(fā)性全面性癲癇中的應(yīng)用研究[D];電子科技大學(xué);2011年

3 張軍鵬;腦電磁源定位算法研究及其在初級(jí)聽覺(jué)皮層定位中的應(yīng)用[D];電子科技大學(xué);2011年

4 雷旭;基于貝葉斯理論的EEG-fMRI融合技術(shù)研究[D];電子科技大學(xué);2011年

5 李鵬海;基于計(jì)算機(jī)視覺(jué)的移動(dòng)外設(shè)BCI控制新技術(shù)研究[D];天津大學(xué);2011年

6 趙巖斌;腦電數(shù)據(jù)的函數(shù)分析方法[D];東北師范大學(xué);2011年

7 廖偉;基于磁共振成像的腦連接方法學(xué)及應(yīng)用研究[D];電子科技大學(xué);2011年

8 趙海濱;腦—機(jī)接口的特征提取和分類方法研究[D];東北大學(xué);2009年

9 葉檸;基于腦電信號(hào)的腦—機(jī)接口的關(guān)鍵技術(shù)與實(shí)驗(yàn)研究[D];東北大學(xué);2010年

10 繆曉波;基于腦電信號(hào)的認(rèn)知?jiǎng)恿W(xué)系統(tǒng)研究——線性/非線性方法及動(dòng)態(tài)時(shí)—頻—空分析[D];重慶大學(xué);2004年

  本文關(guān)鍵詞：運(yùn)動(dòng)想象腦—機(jī)接口的神經(jīng)機(jī)制與識(shí)別算法研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：418062