本文關(guān)鍵詞：基于穩(wěn)態(tài)視覺誘發(fā)電位的腦機接口的研究，由筆耕文化傳播整理發(fā)布。

【摘要】：腦機接口(brain-computer interface, BCI)是一種在大腦與外部電子設(shè)備之間建立的不依賴于肌肉組織或外圍神經(jīng)的新型信息傳輸裝置�；诜�(wěn)態(tài)視覺誘發(fā)電位(steady-state visual evoked potential, SSVEP)的BCI系統(tǒng)不僅可以實現(xiàn)高的信息傳輸速率,而且與其他BCI系統(tǒng)相比需要較少的校正時間,一直以來都是BCI研究中的熱點。本研究主要對基于SSVEP的多通道BCI系統(tǒng)的空間特征提取及分類算法進行了優(yōu)化,并取得了如下的研究成果：(1)本文建立了一個雙重偏最小二乘回歸(double partial least squares, D-PLS)的SSVEP頻率識別模型,利用該模型可以在不需要進行訓(xùn)練的情況下,實現(xiàn)對SSVEP信號的空間特征提取及分類。在該模型中首先建立了一個PLS空間濾波器,從多通道腦電(electroencephalography, EEG)數(shù)據(jù)中提取出有效的SSVEP成分；然后,建立了一個基于PLS的SSVEP頻率識別算法,對提取出的SSVEP特征信號進行分類。為了檢驗D-PLS模型的有效性,分別對PLS空間濾波器及PLS頻率識別算法的性能進行了測試,并將它們分別與現(xiàn)有算法進行了對比分析。實驗結(jié)果證明,PLS算法在SSVEP空間特征提取及頻率識別方面都取得了很好的效果,而且具有很高的運算速度。D-PLS算法在各種實驗條件下,均比現(xiàn)有的分類算法平均提高了2～4%的分類正確率,大大提高了BCI系統(tǒng)的性能。(2)本文我們還提出了一個基于功率譜密度分析(power spectral density analysis, PSDA)、典型相關(guān)分析(canonical correlation analysis, CCA)和D-PLS三種分類方法的聯(lián)合判別算法。在短的時間窗上(1.5～3.5s),BCI系統(tǒng)的分類正確率在D-PLS的基礎(chǔ)上進一步提高了2%到5%的正確率。
【關(guān)鍵詞】：腦機接口 腦電圖 穩(wěn)態(tài)視覺誘發(fā)電位 空間濾波 特征提取 偏最小二乘回歸 聯(lián)合判別
【學(xué)位授予單位】：南京理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TN911.7;R312
【目錄】：

• 摘要3-4
• Abstract4-10
• 注釋表10-11
• 1 緒論11-20
• 1.1 研究背景11-16
• 1.1.1 腦機接口的定義11
• 1.1.2 腦機接口的系統(tǒng)結(jié)構(gòu)11-13
• 1.1.3 腦機接口的分類13-16
• 1.2 基于SSVEP的BCI系統(tǒng)16-18
• 1.2.1 穩(wěn)態(tài)視覺誘發(fā)電位16-17
• 1.2.2 基于SSVEP的BCI系統(tǒng)結(jié)構(gòu)17
• 1.2.3 基于SSVEP的BCI系統(tǒng)的研究現(xiàn)狀及研究意義17-18
• 1.3 本文的主要研究內(nèi)容和布局18-20
• 2 基于SSVEP的BCI系統(tǒng)的實驗設(shè)計20-27
• 2.1 視覺刺激模塊20-22
• 2.1.1 視覺刺激頻率20-21
• 2.1.2 視覺刺激源21
• 2.1.3 視覺刺激模式21-22
• 2.2 電極安放方法22-25
• 2.2.1 10-20國際標(biāo)準(zhǔn)導(dǎo)聯(lián)系統(tǒng)22-23
• 2.2.2 電極的導(dǎo)聯(lián)方式23-24
• 2.2.3 常用的SSVEP信號采集方法24-25
• 2.3 實驗設(shè)計25-26
• 2.3.1 被試25
• 2.3.2 視覺刺激25
• 2.3.3 實驗范式25-26
• 2.3.4 腦電采集方式26
• 2.4 本章小結(jié)26-27
• 3 SSVEP空間特征提取方法27-41
• 3.1 腦電信號的預(yù)處理27-29
• 3.2 現(xiàn)有的空間特征提取算法29-32
• 3.2.1 空間濾波模型29-30
• 3.2.2 雙極融合30-31
• 3.2.3 最小能量融合31-32
• 3.2.4 最大對比融合32
• 3.3 基于偏最小二乘回歸的空間濾波算法32-37
• 3.3.1 PLS的基本思想32-33
• 3.3.2 PLS的建模33-35
• 3.3.3 簡單PLS算法35-36
• 3.3.4 PLS空間濾波器的設(shè)計36-37
• 3.4 空間濾波算法對比37-40
• 3.4.1 分類結(jié)果對比37-39
• 3.4.2 判別特征對比39-40
• 3.5 本章小結(jié)40-41
• 4 SSVEP的頻率識別算法41-59
• 4.1 現(xiàn)有的SSVEP頻率識別算法41-45
• 4.1.1 功率譜密度分析41-42
• 4.1.2 典型相關(guān)分析42-43
• 4.1.3 基于LASSO稀疏表征的SSVEP頻率識別模型43-45
• 4.2 基于偏最小二乘回歸的SSVEP頻率識別45-50
• 4.2.1 基于PLS的SSVEP頻率識別算法及D-PLS模型45-46
• 4.2.2 基于PLS的SSVEP頻率識別結(jié)果分析46-50
• 4.3 基于聯(lián)合判別算法的SSVEP頻率識別模型50-57
• 4.3.1 聯(lián)合判別算法的可行性及必要性50-51
• 4.3.2 基于PSD、CCA及PLS的聯(lián)合判別算法51-53
• 4.3.3 實驗結(jié)果分析53-57
• 4.4 本章小結(jié)57-59
• 5 全文總結(jié)及展望59-61
• 5.1 全文總結(jié)59-60
• 5.2 展望60-61
• 致謝61-62
• 參考文獻62-67
• 附錄67
• 附錄A. 參加科研情況67
• 附錄B. 發(fā)表論文情況67

【共引文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 楊曉莉;;結(jié)合PCA與ICA的Munsell色卡光譜反射比重建[J];湖北民族學(xué)院學(xué)報(自然科學(xué)版);2010年02期

2 李大扣;董飛勝;李曉輝;;基于緊縮處理獨立分量分析的多用戶檢測[J];信息技術(shù);2008年12期

3 喬梁;趙立權(quán);楊莘元;廖艷蘋;;擴展的快速獨立分量分析算法[J];哈爾濱工程大學(xué)學(xué)報;2009年07期

4 李常有;徐敏強;高晶波;王日新;;基于獨立分量分析的滾動軸承故障診斷[J];哈爾濱工業(yè)大學(xué)學(xué)報;2008年09期

5 查君君;何輔云;胡浪濤;;基于獨立分量分析的缺陷信號除噪[J];合肥工業(yè)大學(xué)學(xué)報(自然科學(xué)版);2007年10期

6 陳志剛;張來斌;王朝暉;梁偉;;基于ICA技術(shù)和波形結(jié)構(gòu)模式識別的管線泄漏診斷方法[J];化工自動化及儀表;2007年02期

7 彭佩星;王保良;李海青;;基于ICA和ES-SVM的油氣兩相流空隙率測量[J];化工自動化及儀表;2007年04期

8 劉立君;于忠偉;蘭虎;高洪明;;MIG焊電弧聲ICA信噪分離技術(shù)[J];焊接學(xué)報;2010年04期

9 馮冰;馬建倉;程存虎;趙述元;;航空發(fā)動機振動信號盲分離研究[J];航空制造技術(shù);2009年03期

10 蘇國東;黃小紅;陳曾平;;基于獨立分量分析的ISAR圖像特征提取方法[J];火力與指揮控制;2011年03期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 喬梁;信源定位的可觀測性及跟蹤技術(shù)研究[D];哈爾濱工程大學(xué);2010年

2 陸滿君;通信輻射源個體識別與參數(shù)估計[D];哈爾濱工程大學(xué);2010年

3 蘇日建;信息測量系統(tǒng)及其若干問題的研究[D];華中科技大學(xué);2010年

4 康鋒;基于視覺特征的早期農(nóng)林火災(zāi)檢測方法的基礎(chǔ)研究[D];浙江大學(xué);2010年

5 張海龍;110～220kV XLPE電纜絕緣在線檢測技術(shù)研究[D];武漢大學(xué);2009年

6 李燈熬;基于循環(huán)平衡理論的盲源分離算法[D];太原理工大學(xué);2010年

7 廖渝;預(yù)期誤差與意圖理解：發(fā)展及神經(jīng)機制[D];西南大學(xué);2011年

8 李偉;復(fù)雜網(wǎng)絡(luò)特征結(jié)構(gòu)的挖掘方法研究[D];南京理工大學(xué);2010年

9 李昌利;盲源分離的若干算法及應(yīng)用研究[D];西安電子科技大學(xué);2010年

10 張延良;線性混合盲信源分離的算法研究[D];西安電子科技大學(xué);2011年

  本文關(guān)鍵詞：基于穩(wěn)態(tài)視覺誘發(fā)電位的腦機接口的研究，，由筆耕文化傳播整理發(fā)布。

本文編號：257632