發(fā)布時(shí)間：2017-03-17 07:08

  本文關(guān)鍵詞：基于SSVEP信號(hào)的在線BCI關(guān)鍵技術(shù)研究，由筆耕文化傳播整理發(fā)布。

【摘要】：腦機(jī)接口(Brain Computer Interface,BCI)系統(tǒng)能夠?qū)⒋竽X意識(shí)轉(zhuǎn)換為控制外部設(shè)備的指令,涉及神經(jīng)科學(xué)、計(jì)算機(jī)科學(xué)、控制理論等多方面技術(shù)。其中,穩(wěn)態(tài)視覺誘發(fā)電位(Steady State Visual Evoked Potentials,SSVEP)信號(hào)作為腦電(Electroencephalogram,EEG)信號(hào)的一種,通過外部視覺刺激,就可以在大腦皮層產(chǎn)生特征明顯的節(jié)律性信號(hào),具有一定的穩(wěn)定性和持續(xù)性。由于SSVEP信號(hào)在刺激頻率位置的功率譜分量較為強(qiáng)烈,因此通過功率譜分析方法就可以提取其中的重要特征,在BCI系統(tǒng)中有著廣泛的應(yīng)用。然而,BCI系統(tǒng)對(duì)于SSVEP信號(hào)分析的準(zhǔn)確性、實(shí)時(shí)性和穩(wěn)定性有著較高的要求,如何以SSVEP信號(hào)為基礎(chǔ),在線準(zhǔn)確分析SSVEP信號(hào)的特征,并設(shè)計(jì)出實(shí)時(shí)穩(wěn)定的在線BCI系統(tǒng),是當(dāng)前BCI系統(tǒng)研究的重點(diǎn)內(nèi)容之一。本文以四分類意識(shí)識(shí)別作為問題的切入點(diǎn),以提高SSVEP信號(hào)分析的準(zhǔn)確性、實(shí)時(shí)性和穩(wěn)定性為目標(biāo),重點(diǎn)研究SSVEP信號(hào)分析的去偽跡、特征提取和分類識(shí)別算法,并通過和底層數(shù)據(jù)流傳輸技術(shù)相結(jié)合的方法提高在線系統(tǒng)的實(shí)時(shí)性和穩(wěn)定性。主要研究結(jié)果如下:(1)設(shè)計(jì)和實(shí)現(xiàn)了SSVEP視覺刺激范式。選擇合適的刺激頻率,以便產(chǎn)生相對(duì)穩(wěn)定的SSVEP信號(hào),并對(duì)SSVEP信號(hào)的離線識(shí)別方法和在線處理過程中所涉及的理論知識(shí),以及BCI系統(tǒng)的整體設(shè)計(jì)思路進(jìn)行了說明。(2)設(shè)計(jì)和實(shí)現(xiàn)了基于典型相關(guān)分析和主成分分析的SSVEP信號(hào)識(shí)別算法。針對(duì)腦電信號(hào)中存在比較明顯的眼電偽跡,首先對(duì)常用的獨(dú)立成分分析算法和二階盲辨識(shí)算法進(jìn)行了對(duì)比,然后設(shè)計(jì)出基于典型相關(guān)分析的二階盲辨識(shí)算法,提高了SSVEP信號(hào)預(yù)處理的實(shí)時(shí)性。針對(duì)SSVEP信號(hào)的實(shí)時(shí)特征提取和分類,比較典型相關(guān)分析技術(shù)相對(duì)于功率譜分析技術(shù)的處理速度優(yōu)勢(shì),進(jìn)一步針對(duì)典型相關(guān)分析所涉及到的通道選擇、通道個(gè)數(shù)選擇,以及樣本容量問題,采用主成分分析方法對(duì)典型相關(guān)分析過程進(jìn)行改進(jìn),通過對(duì)原始SSVEP信號(hào)的降維處理,在不影響識(shí)別準(zhǔn)確性的前提下,進(jìn)一步提高了典型相關(guān)分析的實(shí)時(shí)性。(3)設(shè)計(jì)和實(shí)現(xiàn)了基于SSVEP信號(hào)的在線BCI系統(tǒng)。針對(duì)SSVEP數(shù)據(jù)流的實(shí)時(shí)處理問題,采用多線程機(jī)制將整個(gè)處理過程分解為多個(gè)并發(fā)執(zhí)行的子任務(wù),并通過緩沖區(qū)策略解決線程之間的速度匹配問題;針對(duì)SSVEP數(shù)據(jù)流的流量變化問題,采用自適應(yīng)單向模糊推理對(duì)數(shù)據(jù)流的變化趨勢(shì)進(jìn)行預(yù)測(cè);針對(duì)線程并發(fā)造成的數(shù)據(jù)重組錯(cuò)序問題,設(shè)計(jì)信號(hào)量同步與互斥方法對(duì)中間數(shù)據(jù)進(jìn)行順序重組。實(shí)驗(yàn)結(jié)果表明,基于主成分分析的典型相關(guān)分析算法對(duì)多名受試者具有普遍的適用性,具有較高的識(shí)別準(zhǔn)確率和識(shí)別速度;線程并發(fā)和自適應(yīng)單向模糊推理的方法解決了在線BCI系統(tǒng)的實(shí)時(shí)性和穩(wěn)定性問題,縮短了單次Trial平均延遲時(shí)間,提高了在線BCI系統(tǒng)的信息傳輸率。
【關(guān)鍵詞】：腦機(jī)接口 穩(wěn)態(tài)視覺誘發(fā)電位 典型相關(guān)分析 主成分分析 線程并發(fā) 自適應(yīng)單向模糊推理
【學(xué)位授予單位】：鄭州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：R338;TN911.7
【目錄】：

• 摘要4-6
• Abstract6-14
• 1 緒論14-20
• 1.1 研究背景14-15
• 1.2 研究?jī)?nèi)容15-18
• 1.3 本文主要工作18-20
• 2 SSVEP信號(hào)處理過程20-44
• 2.1 SSVEP信號(hào)的產(chǎn)生與獲取20-27
• 2.1.1 視覺刺激裝置設(shè)計(jì)21-22
• 2.1.2 基于Direct Show的視覺刺激裝置實(shí)現(xiàn)22-24
• 2.1.3 刺激頻率的選擇24-26
• 2.1.4 多分類條件下的刺激頻率設(shè)置26-27
• 2.2 SSVEP信號(hào)的離線分析27-37
• 2.2.1 盲信號(hào)處理27-31
• 2.2.2 功率譜密度分析31-33
• 2.2.3 典型相關(guān)分析33-37
• 2.3 SSVEP信號(hào)的在線傳輸37-43
• 2.3.1 并發(fā)子任務(wù)37-38
• 2.3.2 單向模糊推理38-41
• 2.3.3 多線程的同步和互斥41-43
• 2.4 本章小結(jié)43-44
• 3 SSVEP信號(hào)的分類識(shí)別44-74
• 3.1 SSVEP信號(hào)的偽跡去除44-53
• 3.1.1 獨(dú)立成分分析去除偽跡44-46
• 3.1.2 二階盲辨識(shí)去除偽跡46-49
• 3.1.3 基于典型相關(guān)分析的二階盲辨識(shí)49-51
• 3.1.4 預(yù)處理方法的比較51-53
• 3.2 基于AR模型功率譜的SSVEP特征提取53-57
• 3.2.1 基波與諧波分量的組合選取54-56
• 3.2.2 組合結(jié)果統(tǒng)計(jì)56-57
• 3.3 基于典型相關(guān)分析的SSVEP特征提取57-65
• 3.3.1 典型相關(guān)分析運(yùn)算過程57-58
• 3.3.2 不同分類間的相關(guān)性驗(yàn)證58-63
• 3.3.3 不同樣本長(zhǎng)度的準(zhǔn)確性對(duì)比63-65
• 3.4 PCA對(duì)典型相關(guān)分析的改進(jìn)65-73
• 3.4.1 PCA處理SSVEP信號(hào)66-68
• 3.4.2 PCA-CCA聯(lián)合處理效果68-71
• 3.4.3 與單一CCA算法的處理時(shí)間對(duì)比71-73
• 3.5 本章小結(jié)73-74
• 4 基于SSVEP信號(hào)的實(shí)時(shí)系統(tǒng)構(gòu)建74-93
• 4.1 在線系統(tǒng)綜合設(shè)計(jì)74-78
• 4.1.1 系統(tǒng)整體結(jié)構(gòu)74-75
• 4.1.2 系統(tǒng)參數(shù)設(shè)計(jì)75-76
• 4.1.3 在線系統(tǒng)的算法融合76-78
• 4.2 SSVEP數(shù)據(jù)流的并發(fā)處理78-88
• 4.2.1 網(wǎng)絡(luò)傳輸80-82
• 4.2.2 自適應(yīng)單向模糊推理線程調(diào)度82-86
• 4.2.3 多線程的互斥與同步86-88
• 4.3 實(shí)驗(yàn)流程與實(shí)際應(yīng)用88-92
• 4.3.1 在線實(shí)驗(yàn)過程88-91
• 4.3.2 實(shí)際應(yīng)用91-92
• 4.4 本章小結(jié)92-93
• 5 總結(jié)與展望93-95
• 5.1 工作總結(jié)93
• 5.2 未來展望93-95
• 參考文獻(xiàn)95-99
• 致謝99-100
• 個(gè)人簡(jiǎn)歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文及參與的項(xiàng)目100

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫 前3條

1 袁航劍;洪一帆;羅武;蔣偉;;一種碼片內(nèi)多徑參數(shù)的最大似然估計(jì)算法[J];電子與信息學(xué)報(bào);2012年10期

2 ;Design of longitudinal predictive re-entry guidance law based on variable universe fuzzy-PI composite control[J];Journal of Control Theory and Applications;2012年02期

3 黃金杰;呂寧;李雙全;蔡云澤;;分類分析中基于信息論準(zhǔn)則的特征選取(英文)[J];自動(dòng)化學(xué)報(bào);2008年03期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 張偉濤;盲信源分離的聯(lián)合對(duì)角化方法研究[D];西安電子科技大學(xué);2011年

  本文關(guān)鍵詞：基于SSVEP信號(hào)的在線BCI關(guān)鍵技術(shù)研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：252538