本文關鍵詞：基于運動想象的腦電信號特征提取與分類方法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：腦-機接口(Brain-Computer Interface, BCI)作為一門交叉性學科,涵蓋了生物醫(yī)學、神經(jīng)科學以及計算機科學等,已成為腦科學研究熱點。在BCI研究中,腦電信號(Electroencephalogram, EEG)與設備可控信號之間的轉換成為關鍵,需借助腦電信號處理方法提取有效信號,進而實現(xiàn)人機交互。然而,腦電信號的非平穩(wěn)非線性特征,給特征信號提取帶來極大挑戰(zhàn)。目前,雖有多種提取方法,但都存在提取精度或效率問題,難以反映信號全局特征。針對上述問題,本文提出了基于LMD+SampEn的腦電信號特征提取框架,先利用仿真信號驗證本方法的可行性,并在BCI 2003和BCI 2005兩個真實數(shù)據(jù)集上進行實驗,再次表明局部均值分解(Local Mean Decomposition, LMD)結合樣本熵(Sample Entropy)算法在腦電信號特征提取中的優(yōu)勢。具體來說,本文主要完成了以下工作：1.基本理論研究分析腦-機接口的結構與類型,以及腦電信號基本特性,指出事件相關去同步(Event-Related Desynchronization, ERD)和事件相關同步(Event-Related Synchronization, ERS)在腦電信號中的應用,并為后續(xù)腦電信號以及仿真信號的分析提供依據(jù)。2.基于小波包分解的腦電信號提取比較小波變換和小波包分解方法,指出小波包分解可解決小波變換中無法分解高頻信號的不足,并可自適應選擇相應頻帶。將小波包系數(shù)相對能量和相對偏離度作為特征屬性實現(xiàn)腦電數(shù)據(jù)特征提取。3.基于LMD+SampEn的腦電信號特征提取分析經(jīng)驗模態(tài)分解(Empirical Mode Decomposition, EMD)、總體經(jīng)驗模態(tài)分解(Ensemble Empirical Mode Decomposition, EEMD)以及LMD在信號提取中的特點,并選取仿真信號進行驗證發(fā)現(xiàn)EEMD較EMD在模態(tài)混疊以及端點效應等方面有了明顯改進,但執(zhí)行效率較低,而LMD算法可以有效改善上述問題,LMD+SampEn可以進一步提高提取精度。4.分類方法研究在上述特征提取的基礎上,本文選用決策樹、樸素貝葉斯以及支持向量機分類算法對左右想象信號進行識別。并采用準確率、召回率以及AUC值對分類效果進行評估,發(fā)現(xiàn)LMD+SampEn的提取效果最佳,進而證明了該方法用于區(qū)分運動想象腦電信號的可行性,為腦電信號的特征提取與分類提供了一種新的解決方案。
【關鍵詞】：腦-機接口 特征提取 局部均值分解 運動想象
【學位授予單位】：太原理工大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：R318;TN911.7
【目錄】：

• 摘要3-5
• ABSTRACT5-11
• 第一章 緒論11-19
• 1.1 課題研究背景及意義11
• 1.2 腦-機接口基礎知識11-13
• 1.2.1 腦-機接口的概念和結構11-13
• 1.2.2 腦-機接口的類型及特點13
• 1.3 腦-機接口研究現(xiàn)狀和存在問題13-16
• 1.3.1 研究現(xiàn)狀13-15
• 1.3.2 存在問題15-16
• 1.4 本文研究目的與主要研究內容16-17
• 1.4.1 研究目的16-17
• 1.4.2 研究內容17
• 1.5 論文組織結構17-19
• 第二章 腦電信號研究基礎19-25
• 2.1 腦電信號采集19
• 2.2 腦電信號的特性19-22
• 2.2.1 腦電信號分類19-20
• 2.2.2 腦電信號特點20-21
• 2.2.3 事件相關同步和去同步特點21-22
• 2.3 腦電信號分析方法22-24
• 2.3.1 時域分析22
• 2.3.2 頻域分析22
• 2.3.3 時頻分析22-23
• 2.3.4 非線性動力學23
• 2.3.5 人工神經(jīng)網(wǎng)絡23-24
• 2.4 本章小結24-25
• 第三章 基于WPD的EEG信號特征提取25-32
• 3.1 小波分析理論25-27
• 3.1.1 小波變換25-26
• 3.1.2 小波包分解26-27
• 3.2 腦電想象信號特征提取27-31
• 3.2.1 數(shù)據(jù)來源27
• 3.2.2 小波包系數(shù)相對能量27-30
• 3.2.3 相對偏離度30-31
• 3.3 本章小結31-32
• 第四章 基于LMD-SampEn的EEG信號特征提取32-50
• 4.1 基本理論介紹32-37
• 4.1.1 經(jīng)驗模態(tài)分解(EMD)32-34
• 4.1.2 總體經(jīng)驗模態(tài)分解(EEMD)34-36
• 4.1.3 局部均值分解(LMD)36-37
• 4.2 仿真信號模擬37-40
• 4.3 EMD、EEMD、LMD在腦電信號中的應用40-43
• 4.3.1 數(shù)據(jù)來源40-41
• 4.3.2 結果分析41-43
• 4.4 樣本熵理論43-46
• 4.4.1 近似熵43-45
• 4.4.2 樣本熵算法45-46
• 4.5 特征提取46-47
• 4.5.1 PF分量選擇46
• 4.5.2 特征時間選擇46-47
• 4.6 實驗及結果分析47-49
• 4.7 本章小結49-50
• 第五章 腦電信號分類結果及分析50-57
• 5.1 分類算法理論基礎50-54
• 5.1.1 決策樹50-51
• 5.1.2 樸素貝葉斯51-52
• 5.1.3 支持向量機52-54
• 5.2 評價指標54
• 5.3 分類及分析54-56
• 5.4 本章小結56-57
• 第六章 總結與展望57-59
• 6.1 總結57-58
• 6.2 展望58-59
• 參考文獻59-65
• 致謝65-66
• 攻讀學位期間發(fā)表的學術論文66

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 溫冰冰;譚程豪;;ICA與小波去噪相結合提取聽覺誘發(fā)電位研究[J];電子世界;2015年13期

2 高伊蒙;朱守林;高明星;戚春華;楊鋒;;靜息睜閉眼狀態(tài)腦電信號特征分析[J];森林工程;2015年02期

3 楊超;肖文香;陳真誠;王冬翠;陳剛;田樹香;羅邵輝;;基于樣本熵算法的抑郁癥患者腦電特征分析[J];桂林電子科技大學學報;2014年05期

4 楊鵬圓;李海芳;陳東偉;;Hilbert-Huang變換在情感腦電特征提取中的應用[J];計算機工程與設計;2014年07期

5 李營;呂兆承;;基于EEMD算法的癲癇腦電信號識別[J];重慶工商大學學報(自然科學版);2014年05期

6 李勃;;腦機接口技術研究綜述[J];數(shù)字通信;2013年04期

7 王斐;楊廣達;張丹;趙姝穎;;腦機接口在機器人控制中的應用研究現(xiàn)狀[J];機器人技術與應用;2012年06期

8 顏世玉;劉沖;趙海濱;王宏;;基于小波包分解的意識腦電特征提取[J];儀器儀表學報;2012年08期

9 朱曉軍;樊劉娟;呂士欽;余雪麗;;LMD方法在腦電信號處理中的應用研究[J];計算機科學;2012年02期

10 鄭常寶;段曉波;李曉明;;用Matlab小波包求功率頻帶分解規(guī)律[J];電測與儀表;2010年06期

中國博士學位論文全文數(shù)據(jù)庫 前2條

1 王婷;EMD算法研究及其在信號去噪中的應用[D];哈爾濱工程大學;2010年

2 王磊;基于運動想象的腦電信號分類與腦機接口技術研究[D];河北工業(yè)大學;2009年

  本文關鍵詞：基于運動想象的腦電信號特征提取與分類方法研究，由筆耕文化傳播整理發(fā)布。

本文編號：465178