本文關鍵詞：腦機接口中想象運動分類算法的研究，由筆耕文化傳播整理發(fā)布。

【摘要】： 隨著人口的老齡化和殘疾人數(shù)量的不斷增多，普通的感覺反應通道有時不能滿足這部分人的需求，因此對腦科學的研究需求也就越來越迫切，人們渴望能夠通過對腦科學及相關領域的研究來克服人類自身的缺陷和不足。最近幾年，腦機接口的研究在腦科學的研究中脫穎而出，它提供給使用者一種區(qū)別于普通大腦-神經-肌肉方式的實現(xiàn)人與外界通訊的通道。這種設備能夠使殘疾人和肢體運動困難的老年人重新獲得與外界交流的能力。 在腦機接口的研究中基于腦電信號的腦機接口以其簡單、安全、無創(chuàng)而備受人們的關注。本文研究的就是基于左右手想象運動的腦機接口系統(tǒng)中腦電信號的分類識別問題。 本文在前人研究成果的基礎上，通過對組成腦機接口的各個部分的介紹、研究及創(chuàng)新，構建了一個基于左右手想象運動的腦機接口框架。本文主要對以下幾個方面進行了研究： 1)在實驗室已有的腦電采集設備及軟件基礎上，針對課題研究的特性，設計出符合課題需要的腦電采集實驗。按照實驗要求，使用VC++6.0設計出相應的腦電采集軟件MIEEG。本文設計的軟件，既可以與實驗室已有軟件SDUND相結合作為其中的一個實驗提供給普通的腦電研究人員使用，又可以獨立出來單獨作為想象運動的腦電采集程序。考慮到以后的研究，軟件中預留出了可擴展的空間。 2)通過選擇合適的電極及導聯(lián)方式，并結合大腦的功能分區(qū)對腦電采集的具體部位進行最終確定。對于采集到的腦電信號，通過數(shù)據預處理進行頻域濾波以選擇對于想象運動敏感的頻段，在該頻段內通過去均值化處理等方法以減小誤差。再通過時域濾波提取最為敏感的時間段，在該時間段內提取出腦電特征并將其量化。本文采用的腦電特征是對想象運動比較敏感的事件相關同步／去同步。對于該特征，本文量化了兩個特征值有效場強M和空間復雜度Ω，為了提高分類準確率，本文對特征值Ω進行了差值化處理，使其更加有利于分類。 3)通過對目前常用的兩種分類器—Fisher判別函數(shù)和支持向量機的介紹，闡述了他們的構造原理及公式推導。本文著重對支持向量機的構造過程進行了詳細描述，對構造過程中的核函數(shù)和參數(shù)選擇也進行了詳細地分析。對于兩個特征在輸入支持向量機時的組合方式，本文提出了采用模擬人類思考方式的人工神經網絡方法，通過與普通方法的比較可以看出本文所采用的方法其分類正確率較高。 本課題在算法研究階段采用2003年國際BCI競賽數(shù)據，在算法驗證階段采用本課題設計的MIEEG軟件采集的數(shù)據，對于提取的腦電特征，支持向量機的分類正確率分別可達87.1％和82.8％，而Fisher判別函數(shù)法的分類正確率為81.2％和76.6％。研究結果表明，對于左右手想象運動，支持向量機的分類效果比Fisher判別函數(shù)法優(yōu)良。
【關鍵詞】：腦機接口 想象運動 事件相關同步/去同步 Fisher判別函數(shù) 支持向量機
【學位授予單位】：山東大學
【學位級別】：碩士
【學位授予年份】：2007
【分類號】：R318
【目錄】：

• 摘要7-9
• ABSTRACT9-11
• 第一章 緒論11-21
• 1.1 引言11-12
• 1.2 腦機接口的結構12-14
• 1.3 腦機接口的發(fā)展14-18
• 1.3.1 國外BCI研究的思路15-18
• 1.3.2 國內BCI研究的現(xiàn)狀18
• 1.4 腦機接口研究的意義18-19
• 1.5 主要工作與各章節(jié)的安排19-21
• 第二章 腦電信號21-30
• 2.1 腦電信號的產生21-24
• 2.1.1 大腦的生理結構21-22
• 2.1.2 大腦的功能分區(qū)22-23
• 2.1.3 腦電活動的根源23
• 2.1.4 腦電波的產生23-24
• 2.2 腦電信號的特點24-25
• 2.3 腦電信號的分類25-28
• 2.3.1 誘發(fā)腦電25-26
• 2.3.2 自發(fā)腦電26-28
• 2.3.3 自發(fā)腦電與誘發(fā)腦電的區(qū)別28
• 2.4 腦電圖28-29
• 2.5 小結29-30
• 第三章 BCI系統(tǒng)及軟件介紹30-40
• 3.1 BCI系統(tǒng)分類30-31
• 3.2 BCI中腦電采集方式31-32
• 3.3 電極導聯(lián)32-34
• 3.4 BCI軟件設計34-38
• 3.4.1 實驗設計35
• 3.4.2 軟件設計35-38
• 3.5 小結38-40
• 第四章 腦電信號特征提取40-52
• 4.1 腦電信號的非線性模型40
• 4.2 腦電特征選擇40-43
• 4.2.1 ERD/ERS描述41-42
• 4.2.2 ERD/ERS的空間分辨率42-43
• 4.3 腦電信號功率譜分析43-46
• 4.3.1 經典譜估計43-44
• 4.3.2 現(xiàn)代譜估計44-46
• 4.4 零相位數(shù)字濾波46-47
• 4.5 量化特征值47-49
• 4.5.1 量化特征值147-48
• 4.5.2 量化特征值248-49
• 4.6 時域濾波49-50
• 4.7 數(shù)據處理流程圖50-51
• 4.8 小結51-52
• 第五章 腦電特征的模式識別52-65
• 5.1 Fisher線性判別式模式識別52-56
• 5.2 支持向量機模式識別56-58
• 5.2.1 支持向量機的理論基礎56
• 5.2.2 支持向量機的分類原理56-58
• 5.3 分類過程58-61
• 5.3.1 數(shù)據預處理58-59
• 5.3.2 選擇核函數(shù)59
• 5.3.3 選擇核參數(shù)和誤差懲罰因子59-61
• 5.4 分類結果61-64
• 5.5 小結64-65
• 第六章 工作總結與展望65-67
• 6.1 工作總結65
• 6.2 工作展望65-67
• 參考文獻67-71
• 致謝71-72
• 碩士期間參加項目及發(fā)表論文72-73
• 學位論文評閱及答辯情況表73

【引證文獻】

中國碩士學位論文全文數(shù)據庫 前7條

1 李芳;腦機接口中腦電信號特征提取及分類算法研究[D];大連理工大學;2010年

2 劉輝;基于視覺誘發(fā)的P300腦電信號處理算法研究[D];廣東工業(yè)大學;2011年

3 黃安湖;P300腦電誘發(fā)電位的分類識別及在腦機接口中的應用[D];山東大學;2008年

4 龔磊;運動想象電位特征提取及識別方法研究[D];大連理工大學;2012年

5 黃丹丹;基于DIVA模型腦電信號的時頻分析[D];南京郵電大學;2013年

6 陳悅;關于“腦—計算機”中腦電信號分類的研究[D];南京郵電大學;2013年

7 周靜;專業(yè)運動訓練對大學生腦電影響的研究[D];南京師范大學;2013年

  本文關鍵詞：腦機接口中想象運動分類算法的研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：357970