【摘要】：隨著人工智能算法的快速發(fā)展以及醫(yī)療系統(tǒng)的應(yīng)用需求,許多國(guó)家和地區(qū)開(kāi)始建立以大腦為研究核心的腦計(jì)劃項(xiàng)目,腦-計(jì)算機(jī)接口(Brain-Computer Interface, BCI)技術(shù)研究正是腦計(jì)劃項(xiàng)目中的研究熱點(diǎn)之一。BCI系統(tǒng)通過(guò)全新的方式建立大腦與外界設(shè)備的連接。根據(jù)獲取腦電誘發(fā)電位的方式不同可將BCI系統(tǒng)分為兩類(lèi)：基于運(yùn)動(dòng)想象的腦-機(jī)接口系統(tǒng)和基于誘發(fā)電位的腦-機(jī)接口系統(tǒng)。基于運(yùn)動(dòng)想象的腦-機(jī)接口系統(tǒng)不需要通過(guò)與外界交流來(lái)獲取誘發(fā)電位,只需要受試者自身的單邊肢體運(yùn)動(dòng)或想象運(yùn)動(dòng),從而在大腦對(duì)側(cè)產(chǎn)生相對(duì)應(yīng)的事件誘發(fā)電位；基于誘發(fā)電位的腦-機(jī)接口系統(tǒng)主要通過(guò)與外界的交流來(lái)獲取誘發(fā)電位,一般基于視覺(jué)刺激,通過(guò)特定頻率的刺激信號(hào)誘發(fā)大腦皮層產(chǎn)生相關(guān)電位,典型的誘發(fā)電位主要有P300信號(hào)與穩(wěn)態(tài)視覺(jué)誘發(fā)電位(Steady-State Visually Evoked Potentials, SSVEP)。腦-機(jī)接口系統(tǒng)的關(guān)鍵在于有效誘發(fā)信號(hào)的獲取以及信號(hào)的特征提取,傳統(tǒng)的BCI分類(lèi)算法主要包括線性判別分析算法(Linear Discriminant Analysis, LDA)及其規(guī)則化算法：逐步線性判別分析算法(Stepwise Linear Discriminant Analysis, SWLDA)、收縮線性判別分析算法(Shrinkage Linear Discriminant Analysis, SKLDA)。 SWLDA和SKLDA算法主要解決LDA算法存在的小樣本問(wèn)題,雖然其能夠在一定程度上改善LDA算法的小樣本問(wèn)題,但其在充足樣本下的算法識(shí)別率無(wú)法有效保持。近年來(lái),隨著深度學(xué)習(xí)算法的發(fā)展,其在圖像處理領(lǐng)域的應(yīng)用已經(jīng)展現(xiàn)出巨大的潛力,對(duì)于圖像識(shí)別的性能有了質(zhì)的提高。在其他領(lǐng)域,如語(yǔ)音識(shí)別、生物醫(yī)學(xué)信號(hào)處理等,關(guān)于深度學(xué)習(xí)的研究與應(yīng)用也在不斷深入。本論文基于深度學(xué)習(xí)算法典型模型,主要針對(duì)腦電信號(hào)中的P300信號(hào)進(jìn)行研究；同時(shí)基于SSVEP信號(hào),設(shè)計(jì)并實(shí)現(xiàn)基于OMAP3530的腦-機(jī)接口系統(tǒng)。論文研究成果如下：1)基于LDA、SWLDA、SKLDA算法,以BCI Ⅲ競(jìng)賽數(shù)據(jù)為基礎(chǔ),測(cè)試85個(gè)目標(biāo)字符在三種算法下的分類(lèi)準(zhǔn)確率,可以驗(yàn)證SWLDA算法、SKLDA算法能夠在一定程度上改善小樣本問(wèn)題,但無(wú)法保證充足樣本下的算法分類(lèi)準(zhǔn)確率。2)設(shè)計(jì)基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Netwoks, CNN)算法模型,借鑒CNN算法在圖像特征學(xué)習(xí)中的“局部感受野”與“權(quán)值共享”思想,以P300實(shí)驗(yàn)數(shù)據(jù)為基礎(chǔ),不斷進(jìn)行特征學(xué)習(xí)、特征表示以及各隱藏層權(quán)重參數(shù)的優(yōu)化。以185個(gè)目標(biāo)字符作為實(shí)驗(yàn)數(shù)據(jù),得出不同訓(xùn)練字符、不同樣本疊加平均下的分類(lèi)識(shí)別率,并與傳統(tǒng)算法進(jìn)行詳細(xì)對(duì)比,分類(lèi)準(zhǔn)確率有了進(jìn)一步提高,并且隨著樣本數(shù)目的增多算法會(huì)有更好的性能。與傳統(tǒng)算法相對(duì)比,算法具有更好的泛化能力,對(duì)于深度學(xué)習(xí)算法模型與腦-機(jī)接口系統(tǒng)的融合具有重要參考價(jià)值。3)基于穩(wěn)態(tài)視覺(jué)誘發(fā)電位,設(shè)計(jì)并實(shí)現(xiàn)基于OMAP3530的腦-機(jī)接口系統(tǒng)。通過(guò)LED視覺(jué)刺激器的設(shè)計(jì)以及誘發(fā)電位的有效采集與傳輸,搭建完整的腦-機(jī)接口系統(tǒng)。受試者通過(guò)簡(jiǎn)單的訓(xùn)練學(xué)習(xí)即可應(yīng)用,且系統(tǒng)通過(guò)無(wú)線橋接技術(shù)以及滑動(dòng)窗口機(jī)制,使得系統(tǒng)識(shí)別率在90%以上,系統(tǒng)實(shí)時(shí)信息交互時(shí)間小于2秒,完全滿足實(shí)際需求,為運(yùn)動(dòng)障礙病人帶來(lái)福音。
[Abstract]:With the rapid development of artificial intelligence algorithm and the application requirement of medical system , brain - computer interface ( BCI ) technology is one of the hot topics in brain planning project . BCI system can be divided into two categories : brain - computer interface system based on motion picture and brain - computer interface system based on evoked potential .
The brain - computer interface system based on evoked potential is mainly used to acquire evoked potential through communication with the outside , which is generally based on visual stimulus . The evoked potential is induced by stimulation signals at a specific frequency . The typical evoked potential is mainly composed of 300 P signal and steady state visual evoked potential ( SSVEP ) . The key of the brain - computer interface system is the acquisition of effective evoked signals and the feature extraction of signals . The traditional BCI classification algorithm mainly includes linear discriminant analysis ( LDA ) and its regularization algorithm : stepwise linear discriminant analysis ( SWLDA ) and contraction linear discriminant analysis algorithm ( SKLDA ) . The SWLDA and SKLDA algorithms mainly solve the problem of small sample in LDA algorithm , although it can improve the small sample problem of LDA algorithm to some extent , but its algorithm recognition rate can ' t be maintained effectively . In recent years , with the development of depth learning algorithm , its application in image processing has shown great potential .
A brain - computer interface system based on OMAP3530 is designed and implemented based on SSVEP signal . The research results are as follows : 1 ) Based on LDA , SWLDA and SKLDA algorithm , the classification accuracy of 85 target characters under three algorithms is tested .
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：R749;TN911.23

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 薛蘊(yùn)全,王秋英,王宏;腦電信號(hào)的動(dòng)態(tài)時(shí)空響應(yīng)拓?fù)鋱D[J];儀器儀表學(xué)報(bào);2001年S1期

2 馬穎穎;張涇周;吳疆;;腦電信號(hào)處理方法[J];北京生物醫(yī)學(xué)工程;2007年01期

3 謝松云;張振中;楊金孝;張坤;;腦電信號(hào)的若干處理方法研究與評(píng)價(jià)[J];計(jì)算機(jī)仿真;2007年02期

4 魯強(qiáng);劉玉軍;徐建蘭;張進(jìn)祿;;一種適用于清醒動(dòng)物腦電信號(hào)采集的固定裝置[J];首都醫(yī)科大學(xué)學(xué)報(bào);2011年06期

5 董盟盟;仲軼;徐潔;戴體俊;劉功儉;;基于小波分析的腦電信號(hào)處理[J];電子設(shè)計(jì)工程;2012年24期

6 戴銀濤,吳祈耀;快速提取腦電信號(hào)的譜分量參數(shù)[J];北京生物醫(yī)學(xué)工程;1989年01期

7 孟欣，，歐陽(yáng)楷;腦電信號(hào)的幾個(gè)非線性動(dòng)力學(xué)分析方法[J];北京生物醫(yī)學(xué)工程;1997年03期

8 程明,高上凱,張琳;基于腦電信號(hào)的腦—計(jì)算機(jī)接口[J];北京生物醫(yī)學(xué)工程;2000年02期

9 羅建,崔亮,衛(wèi)娜,張治鋼;腦電信號(hào)采集與處理系統(tǒng)的研制[J];醫(yī)療衛(wèi)生裝備;2000年06期

10 吳小培,馮煥清,周荷琴,王濤;獨(dú)立分量分析及其在腦電信號(hào)預(yù)處理中的應(yīng)用[J];北京生物醫(yī)學(xué)工程;2001年01期

相關(guān)會(huì)議論文 前10條

1 薛蘊(yùn)全;王秋英;王宏;;腦電信號(hào)的動(dòng)態(tài)時(shí)空響應(yīng)拓?fù)鋱D[A];中國(guó)儀器儀表學(xué)會(huì)第三屆青年學(xué)術(shù)會(huì)議論文集（上）[C];2001年

2 王裕清;粱平;郭付清;張登攀;;腦電信號(hào)診斷專(zhuān)家系統(tǒng)的研究[A];中國(guó)生理學(xué)會(huì)第21屆全國(guó)代表大會(huì)暨學(xué)術(shù)會(huì)議論文摘要匯編[C];2002年

3 朱林劍;包海濤;孫守林;梁豐;;新型腦電信號(hào)采集方法與應(yīng)用研究[A];大連理工大學(xué)生物醫(yī)學(xué)工程學(xué)術(shù)論文集（第2卷）[C];2005年

4 許濤;朱林劍;包海濤;;基于思維腦電信號(hào)的假手的研究[A];提高全民科學(xué)素質(zhì)、建設(shè)創(chuàng)新型國(guó)家——2006中國(guó)科協(xié)年會(huì)論文集（下冊(cè)）[C];2006年

5 李?lèi)?ài)新;孫鐵;郭炎峰;;基于人工神經(jīng)網(wǎng)絡(luò)的腦電信號(hào)模式分類(lèi)[A];自動(dòng)化技術(shù)與冶金流程節(jié)能減排——全國(guó)冶金自動(dòng)化信息網(wǎng)2008年會(huì)論文集[C];2008年

6 童珊;黃華;陳槐卿;;混沌理論在腦電信號(hào)分析中的應(yīng)用[A];中國(guó)生物醫(yī)學(xué)工程學(xué)會(huì)第六次會(huì)員代表大會(huì)暨學(xué)術(shù)會(huì)議論文摘要匯編[C];2004年

7 李凌;曾慶寧;堯德中;;利用兩級(jí)抗交叉串?dāng)_自適應(yīng)濾波器提取誘發(fā)腦電信號(hào)[A];中國(guó)生物醫(yī)學(xué)工程學(xué)會(huì)第六次會(huì)員代表大會(huì)暨學(xué)術(shù)會(huì)議論文摘要匯編[C];2004年

8 葛家怡;周鵬;王明時(shí);;睡眠腦電信號(hào)樣本熵的研究[A];中國(guó)生物醫(yī)學(xué)工程進(jìn)展——2007中國(guó)生物醫(yī)學(xué)工程聯(lián)合學(xué)術(shù)年會(huì)論文集（下冊(cè)）[C];2007年

9 李麗君;黃思娟;吳效明;熊冬生;;基于運(yùn)動(dòng)想象的腦電信號(hào)特征提取與分類(lèi)[A];中國(guó)儀器儀表學(xué)會(huì)醫(yī)療儀器分會(huì)2010兩岸四地生物醫(yī)學(xué)工程學(xué)術(shù)年會(huì)論文集[C];2010年

10 葛家怡;周鵬;王明時(shí);;睡眠腦電信號(hào)樣本熵的研究[A];天津市生物醫(yī)學(xué)工程學(xué)會(huì)2007年學(xué)術(shù)年會(huì)論文摘要集[C];2007年

相關(guān)重要報(bào)紙文章 前1條

1 張文清　記者 王春;意念控制車(chē)速及左右轉(zhuǎn)彎前行[N];科技日?qǐng)?bào);2008年

相關(guān)博士學(xué)位論文 前10條

1 彭宏;普適化腦電信息感知關(guān)鍵問(wèn)題的研究[D];蘭州大學(xué);2015年

2 吳玉鵬;AR譜在皮層癇樣腦電信號(hào)分析應(yīng)用[D];河北醫(yī)科大學(xué);2015年

3 吳畏;基于統(tǒng)計(jì)建模的多導(dǎo)聯(lián)腦電信號(hào)時(shí)空建模方法研究[D];清華大學(xué);2012年

4 孫宇舸;腦—機(jī)接口系統(tǒng)中腦電信號(hào)處理方法的研究[D];東北大學(xué);2012年

5 周群;腦電信號(hào)同步：方法及應(yīng)用研究[D];電子科技大學(xué);2009年

6 趙麗;基于腦電信號(hào)的腦-機(jī)接口技術(shù)研究[D];天津大學(xué);2004年

7 李春勝;腦電信號(hào)混沌特性的研究與應(yīng)用[D];東北大學(xué);2011年

8 歐陽(yáng)高翔;癲癇腦電信號(hào)的非線性特征識(shí)別與分析[D];燕山大學(xué);2010年

9 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

10 張美云;阿爾茨海默病腦電信號(hào)多尺度時(shí)空定量特征研究[D];天津醫(yī)科大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 于洪;基于腦電信號(hào)的警覺(jué)度估計(jì)[D];上海交通大學(xué);2007年

2 蔣潔;基于高性能計(jì)算的腦電信號(hào)分析[D];燕山大學(xué);2010年

3 張志琴;腦電信號(hào)的復(fù)雜性分析[D];中南大學(xué);2009年

4 許鳳娟;腦電信號(hào)采集與分析系統(tǒng)的設(shè)計(jì)[D];長(zhǎng)春理工大學(xué);2011年

5 曹銘;意識(shí)障礙患者腦電信號(hào)的非線性動(dòng)力學(xué)評(píng)價(jià)分析[D];杭州電子科技大學(xué);2012年

6 劉靜;基于加權(quán)排序熵的多通道腦電信號(hào)同步算法研究[D];燕山大學(xué);2015年

7 陳澤濤;基于腦電信號(hào)分析的AD早期評(píng)估系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];燕山大學(xué);2015年

8 王曉濱;LED光針灸對(duì)腦功能的影響研究[D];天津職業(yè)技術(shù)師范大學(xué);2015年

9 徐朝陽(yáng);基于深度網(wǎng)絡(luò)的腦電信號(hào)分類(lèi)方法研究[D];中國(guó)海洋大學(xué);2015年

10 劉巨娟;基于腦電信號(hào)識(shí)別的駕駛員-汽車(chē)混合控制系統(tǒng)設(shè)計(jì)[D];東北大學(xué);2014年

本文編號(hào)：2132811