本文關(guān)鍵詞：運動想象EEG的識別方法及在上肢康復(fù)中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

【摘要】：腦卒中(俗稱:腦中風(fēng))是一種嚴(yán)重威脅老齡人健康的腦血液循環(huán)障礙性疾病,約四分之三的患者因腦部神經(jīng)受損而患有不同程度的肢體運動障礙,給患者帶來沉重的精神痛苦和生活不便,同時,給家人和社會造成嚴(yán)重的經(jīng)濟負擔(dān),是當(dāng)今世界必須面臨的一個社會難題。如何幫助這些患者恢復(fù)和改善肢體運動功能,最大限度地提高其社會參與能力和自主生活能力,成為社會亟待解決的問題和現(xiàn)代康復(fù)醫(yī)學(xué)的難題。真實運動與運動想象具有相同的運動神經(jīng)元通路和相似的關(guān)聯(lián)性腦激活。利用腦機接口技術(shù)(Brain Computer Interface,BCI)識別患者的運動想象腦電信號(Motor Imagery electroencephalography,MI-EEG),可將患者運動意愿翻譯成控制命令驅(qū)動康復(fù)裝置動作,幫助患者完成主動康復(fù)訓(xùn)練,有利于改善運動功能恢復(fù)效果。本文以上肢運動功能康復(fù)為目標(biāo),對MI-EEG的眼電偽跡去除方法、自適應(yīng)模式識別方法以及上肢運動功能康復(fù)系統(tǒng)設(shè)計等內(nèi)容進行系統(tǒng)研究,取得的主要研究成果如下:(1)基于局域均值分解與典型相關(guān)分析的眼電偽跡去除方法為消除眼電偽跡(Ocular Artifact,OA)對腦電信號造成的嚴(yán)重影響,提出一種基于局域均值分解法(Local Mean Decomposition,LMD)與典型相關(guān)分析(Canonical Correlation Analysis,CCA)的眼電偽跡自動去除方法,記為LMDC法。首先,利用LMD將每導(dǎo)腦電采集信號自適應(yīng)地分解為一系列具有物理意義的PF(Production Function,PF)分量,并利用CCA去除PF分量之間的相關(guān)性,獲得相應(yīng)的典型變量;其次,計算每導(dǎo)腦電信號與多導(dǎo)眼電信號間的相關(guān)系數(shù)矩陣,實現(xiàn)眼跡成份的自動識別;進而,將典型相關(guān)變量中對應(yīng)眼跡成份的部分隨機變量置零,其余隨機變量不變,得到新的典型相關(guān)變量;最后,基于CCA逆變換將新的典型相關(guān)變量投影返回得到眼跡去除后的PF分量,并進一步重構(gòu)出眼跡去除后的腦電信號�；贐CI競賽數(shù)據(jù)庫進行實驗研究,結(jié)果表明,LMDC法相對其他常用方法獲得了較好的眼跡去除效果,并對多位實驗者和多種眼跡表現(xiàn)出較強的自適應(yīng)性。(2)基于改進GHSOM神經(jīng)網(wǎng)絡(luò)的腦電信號識別方法為解決運動想象腦電信號的識別方法泛化能力受限和自適應(yīng)性差等問題,對傳統(tǒng)的生長、分層自組織映射神經(jīng)網(wǎng)絡(luò)(Growing Hierarchical Self-Organizing Map,GHSOM)進行改進,并提出一種主成分分析法(Principal Component Analysis,PCA)與改進的GHSOM神經(jīng)網(wǎng)絡(luò)(Improved GHSOM,IGHSOM)相結(jié)合的腦電自適應(yīng)識別方法。由于IGHSOM能夠根據(jù)上一層擴展神經(jīng)元的量化誤差進行自動分層判斷,使得其不僅對數(shù)據(jù)映射更加準(zhǔn)確和詳細,而且增強了網(wǎng)絡(luò)的穩(wěn)定性和自適應(yīng)性�；贐CI競賽數(shù)據(jù)庫,利用PCA進行特征提取,以IGHSOM為分類器進行實驗研究。實驗結(jié)果證明了GHSOM改進策略的正確性及IGHSOM識別方法的有效性。(3)基于MI-EEG設(shè)計手臂運動功能康復(fù)系統(tǒng)為了驗證上述研究方法的正確性,并將MI-BCI技術(shù)早日應(yīng)用于實際康復(fù)領(lǐng)域,基于Qt跨平臺的C++圖形用戶界面應(yīng)用程序框架設(shè)計想象上肢伸/屈運動腦電信號采集界面,并結(jié)合g.MOBIlab+的C++API函數(shù)完成MI-EEG的實時采集;然后,基于MatlabR2010a仿真軟件平臺,利用本文提出的基于LMD和CCA自動去除眼電偽跡的方法和基于改進GHSOM的腦電信號自適應(yīng)識別方法處理腦電信號;最后,基于S3C2440A處理器搭建機械手臂控制裝置,通過Matlab和C++混合編程實現(xiàn)腦電信號實時控制機械手臂的伸/屈運動,以期幫助上肢運動功能障礙患者完成主動康復(fù)訓(xùn)練。實驗結(jié)果驗證了基于MI-EEG的上肢功能康復(fù)系統(tǒng)設(shè)計的正確性,并展現(xiàn)了其在康復(fù)領(lǐng)域的應(yīng)用前景。研究成果對于推動BCI技術(shù)在腦卒中患者肢體運動康復(fù)中的臨床化進程具有積極的作用。
【關(guān)鍵詞】：運動想象腦電信號 上肢康復(fù) 眼跡去除 模式識別 生長、分層自組織映射神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：北京工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：R743.3;R49
【目錄】：

• 摘要4-6
• Abstract6-11
• 第1章 緒論11-33
• 1.1 課題背景及研究意義11-13
• 1.2 腦機接口概述13-24
• 1.2.1 BCI系統(tǒng)的組成及原理14-15
• 1.2.2 BCI系統(tǒng)的分類及特點15-17
• 1.2.3 EEG神經(jīng)生理學(xué)基礎(chǔ)17-21
• 1.2.4 腦電信號的種類及特點21-24
• 1.3 基于運動想象EEG的肢體運動功能康復(fù)研究24-30
• 1.3.1 國內(nèi)外研究現(xiàn)狀24-27
• 1.3.2 腦電信號偽跡去除方法27-29
• 1.3.3 腦電信號特征提取方法29-30
• 1.3.4 腦電信號模式分類方法30
• 1.4 本文主要研究內(nèi)容和組織結(jié)構(gòu)30-33
• 第2章 基于LMD與CCA的眼電偽跡去除方法33-47
• 2.1 引言33
• 2.2 基本原理33-37
• 2.2.1 局域均值分解33-35
• 2.2.2 典型相關(guān)分析35-36
• 2.2.3 基于LMDC去除眼電偽跡36-37
• 2.3 實驗結(jié)果與分析37-45
• 2.3.1 實驗數(shù)據(jù)來源37-38
• 2.3.2 性能評價指標(biāo)38-39
• 2.3.3 LMDC去除眼電偽跡的實驗結(jié)果及分析39-43
• 2.3.4 LMDC應(yīng)用于真實含噪的EEG43-45
• 2.4 本章小結(jié)45-47
• 第3章 基于改進GHSOM的EEG自適應(yīng)識別方法47-59
• 3.1 引言47
• 3.2 基本原理47-53
• 3.2.1 主成分分析47-49
• 3.2.2 生長、分層自組織映射網(wǎng)絡(luò)及改進49-52
• 3.2.3 基于PCA和IGHSOM的MI-EEG識別方法52-53
• 3.3 實驗結(jié)果與分析53-58
• 3.3.1 實驗數(shù)據(jù)來源53-54
• 3.3.2 腦電數(shù)據(jù)預(yù)處理54
• 3.3.3 實驗分析54-58
• 3.4 本章小結(jié)58-59
• 第4章 基于MI-EEG的上肢運動功能康復(fù)系統(tǒng)59-73
• 4.1 引言59
• 4.2 上肢功能康復(fù)系統(tǒng)的整體結(jié)構(gòu)59-61
• 4.3 康復(fù)系統(tǒng)軟件結(jié)構(gòu)61-64
• 4.3.1 基于PC機的腦電信號采集與處理61-64
• 4.3.2 基于S3C2440A處理器控制的軟件設(shè)計64
• 4.4 康復(fù)系統(tǒng)硬件結(jié)構(gòu)64-69
• 4.4.1 腦電信號采集儀64-66
• 4.4.2 六自由度機械手臂66-67
• 4.4.3 機械手臂的控制裝置67-69
• 4.5 基于MI-EEG在線上肢功能康復(fù)系統(tǒng)實驗設(shè)計69-71
• 4.5.1 實驗簡介69-70
• 4.5.2 實驗結(jié)果與分析70-71
• 4.6 本章小結(jié)71-73
• 結(jié)論73-77
• 參考文獻77-83
• 攻讀碩士學(xué)位期間所發(fā)表的學(xué)術(shù)論文83-85
• 致謝85

【參考文獻】

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 鐘宏燕;腦電信號的特征提取和分類研究[D];北京工業(yè)大學(xué);2014年

  本文關(guān)鍵詞：運動想象EEG的識別方法及在上肢康復(fù)中的應(yīng)用，，由筆耕文化傳播整理發(fā)布。

本文編號：317612