腦機接口（BCI）是一項新興的技術(shù),它通過采集腦活動的信號,并提取其中有價值的信息,從而實現(xiàn)對腦狀態(tài)的分析以及與周圍環(huán)境的交互。腦電圖（EEG）信號由于其經(jīng)濟實惠、具有非侵入性、便于實時操作等特點,在BCI領(lǐng)域中發(fā)揮著重要的地位。對人的運動想象腦電信號的研究分析不僅可以用于腦電信號分類,在線實時腦機交互,還可以用于分析腦網(wǎng)絡(luò),為研究人腦工作機理提供科學(xué)的研究依據(jù)。針對EEG信號微弱、信噪比低、易受環(huán)境噪聲干擾、非線性、非平穩(wěn)等特性,本文對運動想象EEG信號的分析方法展開研究。主要研究內(nèi)容如下:1、將基于噪聲輔助快速多維經(jīng)驗?zāi)Ｊ椒纸猓∟A-FMEMD）的時頻分解方法引入了 EEG信號分析領(lǐng)域。一系列與現(xiàn)有的時頻分析方法的對比實驗表明了該方法能更好地消除模式混疊,提供對原信號成分更準(zhǔn)確的評估且具有更高的計算效率。通過腦電信號仿真實驗,我們又驗證了提出的腦電信號處理的新方法的可行性與優(yōu)勢。2、提出了 一種高效的時頻空域聯(lián)合分析的運動想象EEG分類方法。它能夠更好地提取出左手和右手運動時EEG信號的不同特征,完成信號的分類。在BCI Competition Ⅳ Data Set 1運動想象腦電... 

【文章來源】：浙江大學(xué)浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：94 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１．２?１０－２０系統(tǒng)的電極擺放示意圖??３??

浙江大學(xué)碩士學(xué)位論文?侖??運動想象），大腦對側(cè)（即右側(cè)）感覺運動節(jié)律在特定頻率上表現(xiàn)出的幅值明??顯降低；相反，ＥＲＳ現(xiàn)象則是大腦同側(cè)（即左側(cè)）感覺運動節(jié)律在特定頻率上??表現(xiàn)出的幅值增高。Ｐｆｉｉｒｔｓｃｈｅｌｌｅｒ等人［２８］的實驗中，體現(xiàn)了右手手指運動過程的??腦電信號ＥＲＳ／ＥＲＳ現(xiàn)象，如圖１．３所示。??？５?Ａ?－３?－２?－１?０?１?２?３ｓ??圖１．３?ＥＲＤ／ＥＲＳ現(xiàn)象示意圖??感覺運動節(jié)律在ＢＣＩ系統(tǒng)中得到了廣泛的應(yīng)用。目前，美國Ｗａｄｓｗｏｒｔｈ中??心以Ｗｏｌｐａｗ為首的團隊［２９］、德國柏林工業(yè)大學(xué)神經(jīng)技術(shù)課題組的Ｂｌａｎｋｅｒｔｚ等??人［３（）］、奧地利格拉茨理工大學(xué)以ＰｆＵｒｔｓｃｈｅｌｌｅｒ為首的團隊［３１３主要研究的系統(tǒng)均屬??于基于；《、０節(jié)律的ＢＣＩ系統(tǒng)。??１．３?腦電信號處理方法研究現(xiàn)狀??由上節(jié)介紹可知，在眾多腦電活動及其誘發(fā)的腦電節(jié)律中，感覺運動節(jié)律??具有很強的生理學(xué)理論基礎(chǔ)及應(yīng)用價值。因此，本文的研究內(nèi)容主要集中于基??于感覺運動節(jié)律，即主要研究基于運動想象（Ｍｏｔｏｒ?Ｉｍａｇｅｒｙ，?ＭＩ）的腦電信號??分析方法。??對運動想象ＥＥＧ信號的分析，主要有兩個領(lǐng)域的應(yīng)用價值，其一是用于對??腦電信號分類，完善運動想象ＢＣＩ的性能；其二則是用于對腦網(wǎng)絡(luò)進行分析，??促進對人腦的研究。??１．３．１腦電信號分類算法研究現(xiàn)狀??ＥＥＧ信號微弱、信噪比低，容易受到外界的干擾，具有非線性、非平穩(wěn)的??特性，這些特點給對ＥＥＧ信號的分析和研究造成了?一定的困難。針對腦電信號??的特點，已逐步發(fā)展出了一系列從不同維度對腦電信號分析和分類的方法。??６??

?．?．?．?ｉ??ｒ???ｒ?—ｉ—￣￣＝—ｉ?１???ｔ￣￣＝?ｒ?￣￣—１?＼??ｏ－?????＾?＿？?■??－Ｌ??：????」－—???Ｉ???＇－?＇?；?＇?：??２?〇－???卜－２??＂Ｉ?ｉ?１?１???Ｊ???１?１?１?＇??（）?｜（Ｋ）?２００?３（Ｋ）?４００?５（Ｘ）?６（Ｋ）?７００?Ｈ（Ｋ）?９（Ｘ）?ＫＫＭ）??采樣數(shù)??圖２．１?ＥＭＤ分解結(jié)果示意圖??由分解結(jié)果圖可見，經(jīng)過ＥＭＤ算法，原信號被分解為四個包含不同時間尺??度信息的ＩＭＦ分量，較好地還原出了原信號的各成分特征信息。ＥＭＤ是一種有??效的信號分解方法。??同時，信號ｘ（〇經(jīng)過ＥＭＤ分解所得到的ＩＭＦ分量都滿足Ｈｉｌｂｅｒｔ變換的條??件［５２］，因此，可以通過對分解結(jié)果逐層進行時變幅度和瞬時頻率的求解與分析，??得到原信號能量的時頻分布，即Ｈｉｌｂｅｒｔ譜。??首先，對ＩＭＦ分量（／，⑴，可以求出其Ｈｉｌｂｅｒｔ變換??以⑴＊?丄（２．１２）??＇?＇?ｎｔ?ｊ—?ＫＸ??從而得到解析信號??ｚ＾ｔ）?＝?ｄ．（ｔ）?＋?ｊｄ．（ｔ）?＝?ａｉ（ｔ）ｅ＂ＰｌＵ）?（２．１３）??其中ａ，（〇為幅值函數(shù)，％⑴為相位函數(shù)：??ａｉ（ｔ）?＝?ｙｊｄ；（ｔ）?＋?ｄ；｛ｔ）?（２．１４）??ｄ?（ｔ）??＜ｊｒ）（（〇＝ａｒｃｔａｎ?－ｆ—?（２．１５）??’?Ｊ??由此可求解出?⑴的瞬時頻率??’?（２．１６）??Ｉｎ?ａｔ??１７??

【參考文獻】：
期刊論文
[1]基于感興趣腦區(qū)LASSO-Granger因果關(guān)系的腦電特征提取算法[J]. 佘青山,陳希豪,高發(fā)榮,羅志增.  電子與信息學(xué)報. 2016(05)
[2]正則化稀疏模型[J]. 劉建偉,崔立鵬,劉澤宇,羅雄麟.  計算機學(xué)報. 2015(07)
[3]腦網(wǎng)絡(luò):從腦結(jié)構(gòu)到腦功能[J]. 蔣田仔,劉勇,李永輝.  生命科學(xué). 2009(02)
[4]腦-機接口技術(shù)綜述[J]. 楊立才,李佰敏,李光林,賈磊.  電子學(xué)報. 2005(07)
[5]腦機接口技術(shù)研究方法[J]. 何慶華,彭承琳,吳寶明.  重慶大學(xué)學(xué)報(自然科學(xué)版). 2002(12)

博士論文
[1]關(guān)于Granger因果分析的方法學(xué)研究[D]. 張健.浙江大學(xué) 2016



本文編號：3329603