腦機(jī)接口(brain-computer interface,BCI)技術(shù)是在大腦與外部軟硬件設(shè)備之間建立的一種溝通和控制通道,該通道可使用戶使用腦信號(hào)與外界進(jìn)行交流溝通或控制外部設(shè)備,不需要借助語言或肢體活動(dòng),為患者開辟了一條與外界交流的通道,是一種新興的人機(jī)交互方式,也是未來人工智能發(fā)展的基礎(chǔ)。在腦機(jī)接口系統(tǒng)中,特征提取是最重要的環(huán)節(jié),影響著整個(gè)系統(tǒng)的分類性能。傳統(tǒng)特征提取方法有從時(shí)域,頻域,時(shí)頻聯(lián)合,空域等對(duì)腦電信號(hào)分析。由于腦電信號(hào)(EEG)是一種產(chǎn)生機(jī)理相當(dāng)復(fù)雜且非常微弱的隨機(jī)信號(hào),還容易被肌電信號(hào)(EMG)、眼電信號(hào)(EOG)等外界因素的干擾,都會(huì)影響系統(tǒng)的分類正確率。為提高運(yùn)動(dòng)想象腦機(jī)接口的分類正確率,本文用結(jié)合小波包分解與近似熵的方法對(duì)腦電信號(hào)進(jìn)行特征提取。該方法利用小波包對(duì)腦電信號(hào)全頻段進(jìn)行分解,用近似熵函數(shù)對(duì)分解后的結(jié)點(diǎn)提取分類特征,然后用稀疏表示對(duì)特征向量進(jìn)行降維,最后使用功率差方法進(jìn)行分類。實(shí)驗(yàn)中選擇不同的通道數(shù)是為了尋找有效信道,使這些信道可以準(zhǔn)確的反映各種運(yùn)動(dòng)想象任務(wù)或肢體運(yùn)動(dòng)特征,并可減少噪聲及不相關(guān)信道的干擾,以減少算法復(fù)雜度并減輕通信系統(tǒng)負(fù)擔(dān),提高腦機(jī)接...

【文章頁(yè)數(shù)】：56 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 課題研究背景
    1.2 腦機(jī)接口技術(shù)簡(jiǎn)介
        1.2.1 腦機(jī)接口基本原理
        1.2.2 腦機(jī)接口的基本結(jié)構(gòu)
        1.2.3 腦機(jī)接口的類型
        1.2.4 腦機(jī)接口系統(tǒng)評(píng)價(jià)標(biāo)準(zhǔn)
    1.3 腦機(jī)接口的研究現(xiàn)狀
    1.4 存在的問題
    1.5 腦機(jī)接口的應(yīng)用
    1.6 本文的主要內(nèi)容
第2章 腦電信號(hào)
    2.1 腦電信號(hào)的采集
    2.2 腦電信號(hào)的分類
    2.3 腦電信號(hào)的分析
        2.3.1 腦電信號(hào)的特點(diǎn)
        2.3.2 腦電信號(hào)的主要分析方法
第3章 腦電信號(hào)的特征提取及分類方法
    3.1 小波變換
        3.1.1 小波變換的定義
        3.1.2 小波包分解
    3.2 共空域?yàn)V波
    3.3 分類器的設(shè)計(jì)
第4章 小波包分解與近似熵相結(jié)合的算法的應(yīng)用
    4.1 BCI實(shí)驗(yàn)
    4.2 實(shí)驗(yàn)算法設(shè)計(jì)
        4.2.1 近似熵
        4.2.2 稀疏表示及功率差分類
        4.2.3 10×5 倍交叉驗(yàn)證策略
        4.2.4 實(shí)驗(yàn)過程描述
    4.3 實(shí)驗(yàn)結(jié)果及分析
第5章 總結(jié)與展望
    5.1 本文工作總結(jié)
    5.2 未來工作展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間的研究成果



本文編號(hào)：3829019