本文關(guān)鍵詞：腦機(jī)接口信號的多模式識別融合技術(shù)研究，由筆耕文化傳播整理發(fā)布。

【摘要】：腦電信號是人體大腦產(chǎn)生的一種重要生理電信號。大腦作為人體最神秘、最復(fù)雜的器官,一直以來是科學(xué)家們的研究重點,腦電信號更是科學(xué)家們研究的聚焦點。腦電信號中既包含人體大腦日�；顒赢a(chǎn)生的基本信號,又包含人體大腦根據(jù)自發(fā)想象或外界刺激所產(chǎn)生的思維信號。無論對人體大腦各個區(qū)域詳細(xì)功能的研究還是對人工智能等相關(guān)領(lǐng)域的開發(fā),腦電信號都具有很重要的作用。腦機(jī)接口技術(shù)指的是在人體的大腦與電腦、輪椅等外圍設(shè)備之間設(shè)立的一條進(jìn)行信息交流的通道。腦機(jī)接口系統(tǒng)既能根據(jù)人體大腦產(chǎn)生的腦電信號中包含的思維信號的分析處理結(jié)果來簡單控制計算機(jī)等外圍電子設(shè)備,達(dá)到簡單控制外部環(huán)境的效果;又能根據(jù)外圍電子設(shè)備的運動,對人體大腦進(jìn)行相應(yīng)的外界刺激從而產(chǎn)生新的思維腦電信號,達(dá)到重新控制外圍電子設(shè)備的目的。隨著交流障礙患者和肌萎縮性硬化、脊髓損傷等腦疾病患者數(shù)目的增多,對這種腦機(jī)接口技術(shù)的要求不斷提高。如何提高腦機(jī)接口系統(tǒng)中對相關(guān)腦電信號進(jìn)行分析計算的結(jié)果的精度成為困擾科學(xué)家們的難題。P300腦電信號是人體的大腦在接受到特定模式的視覺誘發(fā)刺激而形成的一種誘發(fā)電信號,因其具有形成時間固定、在大腦頭皮特定區(qū)域能量明顯、易于檢測等特點而成為腦機(jī)接口系統(tǒng)中最常用的一種腦電信號。利用人體大腦根據(jù)視覺誘發(fā)刺激產(chǎn)生的P300腦電信號作為輸入信號的腦機(jī)接口系統(tǒng)中,實驗者無需經(jīng)過特別的專項訓(xùn)練就可以達(dá)到預(yù)定的效果。本課題采用第三屆腦機(jī)接口數(shù)據(jù)競賽組織方提供的P300腦電信號,開展腦機(jī)接口信號的多模式識別融合技術(shù)研究,以期提高腦機(jī)接口系統(tǒng)中腦電信號進(jìn)行分析計算的結(jié)果的精度,促進(jìn)腦機(jī)接口技術(shù)的實際工程應(yīng)用。論文主要開展了以下內(nèi)容的研究工作:(1).P300腦電信號的預(yù)處理過程。P300腦電信號中有用頻率主要集中于0-30Hz的范圍,因此首先對腦電信號作低通濾波處理,消除高頻干擾。然后采用最優(yōu)加權(quán)疊加方法對濾波后的腦電信號進(jìn)一步處理,以消除腦電信號采集過程中受到相鄰電極的相互作用,使得本來準(zhǔn)時的波動出現(xiàn)延遲的問題。(2).運用小波變換、AR模型、主成分分析和近似熵等目前使用最廣泛的四種算法提取預(yù)處理后的腦電信號中包含的特征。小波分解提取電位信號2-8Hz的頻段作為測試樣本;AR模型主要是構(gòu)建一個4階的AR模型,選取其模型的相應(yīng)系數(shù)作為實驗需要提取特征;主成分分析對64個通道進(jìn)行空間解耦,并提取前十個主成分通道作為特征;近似熵算法是對選取的10個通道的信號段進(jìn)行的近似熵計算值作為特征。(3).運用支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)和樸素貝葉斯分類器四種不同類別的分類器對上文提取到腦電特征進(jìn)行分類訓(xùn)練和測試。支持向量機(jī)分類器選用使用范圍最廣的線性函數(shù)作為需要的核函數(shù);BP神經(jīng)網(wǎng)絡(luò)分類器基本思路是構(gòu)建兩層神經(jīng)網(wǎng)絡(luò);徑向基神經(jīng)網(wǎng)絡(luò)分類器能夠隨意逼近任何非線性函數(shù),有良好的泛化能力和學(xué)習(xí)收斂速度;樸素貝葉斯分類器是基于獨立假設(shè)的Bayes定理的簡單概率分類器。采用提取出的特征對分類器進(jìn)行分類訓(xùn)練和測試,最終得到選用支持向量機(jī)分類器能夠獲得最高92.94%的準(zhǔn)確率。(4).將四種特征提取算法和四種特征分類算法交叉融合共構(gòu)成16個腦電信號數(shù)據(jù)處理模型。分別運用這16種信號處理融合模型對實驗提供的P300腦電信號訓(xùn)練后測試,得到不同融合模型的處理準(zhǔn)確率。選用多組P300腦電數(shù)據(jù)處理后,結(jié)果表明由小波變換特征提取算法和支持向量機(jī)分類器融合構(gòu)成的模型得到最高識別準(zhǔn)確率,平均達(dá)到了90%。
【關(guān)鍵詞】：腦機(jī)接口 P300腦電信號 特征提取 特征分類 模式識別融合
【學(xué)位授予單位】：重慶理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TN911.7;R338
【目錄】：

• 摘要4-6
• ABSTRACT6-11
• 縮略語表11-12
• 1 緒論12-20
• 1.1 課題的研究背景及研究意義12-13
• 1.1.1 腦機(jī)接.技術(shù)簡介12-13
• 1.1.2 腦機(jī)接.技術(shù)研究意義13
• 1.2 腦機(jī)接.系統(tǒng)的組成與分類13-15
• 1.2.1 腦機(jī)接.系統(tǒng)的組成13-14
• 1.2.2 腦機(jī)接.系統(tǒng)的分類14-15
• 1.3 國內(nèi)外研究現(xiàn)狀15-18
• 1.3.1 腦電信號的研究方法15-16
• 1.3.2 腦電信號的特征提取16-17
• 1.3.3 腦電信號分類識別17-18
• 1.4 本課題各章節(jié)內(nèi)容安排18-20
• 2 腦電信號與P30020-29
• 2.1 腦電信號的概述20-23
• 2.1.1 人腦的結(jié)構(gòu)20-21
• 2.1.2 腦電信號的產(chǎn)生21
• 2.1.3 腦電信號的特點21-22
• 2.1.4 腦電信號的分類22
• 2.1.5 腦電圖的科學(xué)記錄22-23
• 2.2 事件相關(guān)電位P30023-25
• 2.3 P300腦電信號數(shù)據(jù)集25
• 2.4 P300腦電信號預(yù)處理25-28
• 2.4.1 低通濾波25-27
• 2.4.2 平均疊加濾波27-28
• 2.5 本章小結(jié)28-29
• 3 腦電信號特征提取技術(shù)的實現(xiàn)29-43
• 3.1 基于小波變換的特征提取29-34
• 3.1.1 小波分析基本理論30-31
• 3.1.2 小波分析對P300腦電信號特征提取31-34
• 3.2 基于AR模型的特征提取34-37
• 3.2.1 AR模型的構(gòu)建原理34-35
• 3.2.2 AR模型算法對P300腦電信號特征提取參數(shù)選擇35-37
• 3.3 基于主成分分析的特征提取37-40
• 3.3.1 主成分分析的原理37-39
• 3.3.2 主成分分析算法對P300腦電信號特征提取39-40
• 3.4 基于近似熵的特征提取40-42
• 3.4.1 近似熵算法的原理40-42
• 3.4.2 近似熵算法對P300腦電信號特征提取42
• 3.5 本章小結(jié)42-43
• 4 腦電信號特征分類識別技術(shù)的實現(xiàn)43-57
• 4.1 基于支持向量機(jī)分類器的信號特征分類43-46
• 4.1.1 支持向量機(jī)的原理43-45
• 4.1.2 支持向量機(jī)分類器對信號特征進(jìn)行分類45-46
• 4.2 基于BP神經(jīng)網(wǎng)絡(luò)分類器的信號特征分類46-50
• 4.2.1 BP神經(jīng)網(wǎng)絡(luò)的原理47-49
• 4.2.2 BP神經(jīng)網(wǎng)絡(luò)分類器對信號特征進(jìn)行分類49-50
• 4.3 基于徑向基神經(jīng)網(wǎng)絡(luò)分類器的信號特征分類50-53
• 4.3.1 徑向基神經(jīng)網(wǎng)絡(luò)的原理50-52
• 4.3.2 徑向基神經(jīng)網(wǎng)絡(luò)分類器對信號特征進(jìn)行分類52-53
• 4.4 基于樸素貝葉斯分類器的信號特征分類53-56
• 4.4.1 樸素貝葉斯分類器的工作原理53-54
• 4.4.2 樸素貝葉斯分類器對信號特征進(jìn)行分類54-56
• 4.5 本章小結(jié)56-57
• 5 數(shù)據(jù)處理結(jié)果及討論57-62
• 5.1 基于小波變換算法特征提取的信號處理模型57-58
• 5.2 基于AR模型算法特征提取的信號處理模型58-59
• 5.3 基于主成分分析算法特征提取的信號處理模型59
• 5.4 基于近似熵算法特征提取的信號處理模型59-60
• 5.5 綜合分析60-62
• 6 總結(jié)與展望62-65
• 6.1 本文的工作總結(jié)62-63
• 6.2 展望63-65
• 致謝65-66
• 參考文獻(xiàn)66-68
• 個人簡歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文及取得的研究成果68

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前3條

1 楊立才,李佰敏,李光林,賈磊;腦-機(jī)接口技術(shù)綜述[J];電子學(xué)報;2005年07期

2 萬柏坤,高揚(yáng),趙麗,綦宏志;腦-機(jī)接口:大腦對外信息交流的新途徑[J];國外醫(yī)學(xué).生物醫(yī)學(xué)工程分冊;2005年01期

3 石銳;鄧煒;何慶華;何相錦;劉佳進(jìn);魏雷;;左右手想象運動的腦電信號分類識別[J];微處理機(jī);2010年06期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 王磊;基于運動想象的腦電信號分類與腦機(jī)接口技術(shù)研究[D];河北工業(yè)大學(xué);2009年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 徐江;基于實時腦機(jī)接口的無線遙控車系統(tǒng)[D];重慶大學(xué);2010年

  本文關(guān)鍵詞：腦機(jī)接口信號的多模式識別融合技術(shù)研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：302528