本文關(guān)鍵詞：運動想象腦—機接口的神經(jīng)機制與識別算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：運動想象腦-機接口(Motor Imagery-based Brain-Computer Interface,MI-BCI)提供了一條不經(jīng)周圍神經(jīng)系統(tǒng)的替代性運動輸出通路,在運動輔助和神經(jīng)康復(fù)領(lǐng)域有著巨大的應(yīng)用價值。國內(nèi)外許多研究單位均發(fā)展出了能夠?qū)崟r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),腦電信號非平穩(wěn)性,環(huán)境噪聲,分類識別穩(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)無法走出實驗室。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別算法。主要研究內(nèi)容如下:1.不同被試操控MI-BCI的表現(xiàn)存在差異,我們提出了一個可以有效預(yù)測被試MI-BCI控制表現(xiàn)的靜息態(tài)譜熵指標,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)。譜熵指標與被試的MI-BCI控制表現(xiàn)的相關(guān)系數(shù)達到0.65。在同一實驗數(shù)據(jù)集內(nèi)和不同實驗數(shù)據(jù)集間的分類中,該指標均表現(xiàn)出了優(yōu)良的區(qū)分MI-BCI控制表現(xiàn)高/低被試的能力,分類準確率分別為82%和89%。據(jù)文獻調(diào)研,本研究是第一個討論不同實驗數(shù)據(jù)集條件下MI-BCI控制表現(xiàn)的預(yù)測指標的分類穩(wěn)定性的工作。靜息態(tài)EEG譜熵指標有助于在短時間內(nèi)鑒定被試潛在的MI-BCI控制能力,避免對“盲”被試進行耗時的、無意義的訓練。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)機制。發(fā)現(xiàn)靜息態(tài)EEG腦網(wǎng)絡(luò)的空間拓撲結(jié)構(gòu)與MI-BCI控制表現(xiàn)緊密相關(guān),其中腦網(wǎng)絡(luò)的平均功能連接強度,節(jié)點度,連接邊強度,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)的特征路徑長度與其呈負相關(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。進一步,基于靜息態(tài)EEG腦網(wǎng)絡(luò)的四個信息傳輸效率指標,構(gòu)建了一個多元線性回歸模型來預(yù)測被試的MI-BCI控制能力,預(yù)測值與真實值之間的相關(guān)系數(shù)為0.75,均方根誤差為10.5%。3.基于fMRI數(shù)據(jù),在體素水平上計算了大腦功能網(wǎng)絡(luò)中所有節(jié)點的功能連接密度(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,其中雙側(cè)殼核和腦島處的長程FCD與MI-BCI控制表現(xiàn)負相關(guān),而雙側(cè)枕中回處的長程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MI-BCI控制的大腦網(wǎng)絡(luò)機制的理解。4.提出了一種局部時間相關(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)方差矩陣的估計過程中,可以提高估計出的空間濾波器的魯棒性。仿真實驗結(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別準確率。在基于真實MI-BCI數(shù)據(jù)的對比實驗中,我們發(fā)現(xiàn)LTCCSP依然能夠獲得最高的分類識別準確率。上述結(jié)果一致揭示出LTCCSP算法可以有效的提取MI-BCI的運動想象相關(guān)EEG特征,且具有較高的魯棒性。5.提出一種用于MI-BCI的分類識別算法Z-LDA(Z-score Linear Discriminant Analysis)。經(jīng)典LDA(Linear Discriminant Analysis)算法只使用訓練集樣本低維投影后分布的均值來定義分類邊界,而Z-LDA同時使用投影后分布的均值和標準差信息來定義分類邊界,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個真實的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中的分類識別中具有一定的優(yōu)越性。綜上,本文一方面建立了一個可以預(yù)測被試MI-BCI控制表現(xiàn)的靜息態(tài)EEG譜熵指標,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)機制;另一方面在MI-BCI的信號處理算法領(lǐng)域,首先發(fā)展了一種魯棒性更好的CSP改進算法,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走出實驗室的進程。
【關(guān)鍵詞】：腦-機接口 譜熵 靜息態(tài)腦網(wǎng)絡(luò) 功能連接密度 特征提取 模式識別
【學位授予單位】：電子科技大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：R338;TN911.7
【目錄】：

• 摘要5-7
• ABSTRACT7-14
• 第一章 緒論14-29
• 1.1 腦-機接.的背景介紹14-19
• 1.1.1 腦-機接.系統(tǒng)的構(gòu)成框架14-15
• 1.1.2 腦-機接.的類型15-19
• 1.2 運動想象的腦機制19-21
• 1.2.1 運動想象的腦功能區(qū)定位19-20
• 1.2.2 運動想象的腦網(wǎng)絡(luò)研究20-21
• 1.3 運動想象腦-機接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的知名研究機構(gòu)23-24
• 1.4 運動想象腦-機接.的應(yīng)用方向24-26
• 1.4.1 運動輔助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譜熵指標預(yù)測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 實驗被試30-31
• 2.2.2 實驗范式及數(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)測被試的MI-BCI控制表現(xiàn)35-36
• 2.2.6 兩輪實驗間被試MI-BCI控制表現(xiàn)和預(yù)測指標的變化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 同一實驗輪次內(nèi)的MI-BCI控制表現(xiàn)預(yù)測38-40
• 2.3.4 不同實驗輪次間的MI-BCI控制表現(xiàn)預(yù)測40-41
• 2.3.5 兩輪實驗間被試的MI-BCI控制表現(xiàn)與預(yù)測指標的變化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譜熵指標的特點43-45
• 2.4.3 不同實驗輪次間的預(yù)測性能45
• 2.4.4 SMR，，ATR和譜熵預(yù)測指標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 實驗數(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)點度與邊連接強度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)傳輸效率指標預(yù)測MI-BCI控制表現(xiàn)54
• 3.4 討論54-59
• 3.4.1 節(jié)點度、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57-58
• 3.4.4 與SSVEP-BCI研究的關(guān)系58
• 3.4.5 參考電極對EEG腦網(wǎng)絡(luò)的影響58-59
• 3.4.6 容積傳導效應(yīng)對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 實驗被試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 長程FCD的組間差異63-64
• 4.3.2 基于長程FCD預(yù)測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 仿真實驗結(jié)果79-82
• 6.3.2 真實的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 未來展望89-92
• 致謝92-93
• 參考文獻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
• 攻讀博士學位期間取得的成果111-114

【共引文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 蔡永春,堯德中;真實頭模型中的源電位計算方法與效果[J];電子科技大學學報;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];電子科技大學學報;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];電子科技大學學報;2006年01期

4 曾敏;賴永秀;任鵬;邱麗君;堯德中;;跨通路實驗?zāi)Ｊ降囊曈X失匹配負波研究[J];電子科技大學學報;2007年05期

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

6 賴永秀;高婷婷;吳丹;堯德中;;音樂情緒感知的腦電研究[J];電子科技大學學報;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-機接口:關(guān)鍵技術(shù)和應(yīng)用前景[J];電子科技大學學報;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];電子科技大學學報;2010年03期

9 賴永秀;夏陽;萬衡;雷町;堯德中;;癲癇發(fā)作的兩種模式[J];電子科技大學學報;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)大學學報;2004年22期

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 劉楊;事件相關(guān)電位腦—機接口的最優(yōu)設(shè)計[D];國防科學技術(shù)大學;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;2011年

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

5 李鵬海;基于計算機視覺的移動外設(shè)BCI控制新技術(shù)研究[D];天津大學;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;2011年

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

8 趙海濱;腦—機接口的特征提取和分類方法研究[D];東北大學;2009年

9 葉檸;基于腦電信號的腦—機接口的關(guān)鍵技術(shù)與實驗研究[D];東北大學;2010年

10 繆曉波;基于腦電信號的認知動力學系統(tǒng)研究——線性/非線性方法及動態(tài)時—頻—空分析[D];重慶大學;2004年

  本文關(guān)鍵詞：運動想象腦—機接口的神經(jīng)機制與識別算法研究，由筆耕文化傳播整理發(fā)布。

本文編號：418062