本文關(guān)鍵詞：運(yùn)動想象腦電信號的分析研究，由筆耕文化傳播整理發(fā)布。

【摘要】：通過腦-機(jī)接口技術(shù),人類可以直接使用腦思維來表達(dá)想法或操縱設(shè)備,而不用具體的動作�；谶\(yùn)動想象腦電信號的腦-機(jī)接口是其中的一個重要研究方向,其核心環(huán)節(jié)--運(yùn)動想象腦電信號的特征提取與分類便是本文研究的重點(diǎn)。運(yùn)動想象表示一些僅限于想象的運(yùn)動,并無具體動作。而在想象這些動作的過程中,特定腦區(qū)會發(fā)生腦電信號能量增加或減少的變化,根據(jù)這些變化,我們就可以判斷出想象者的運(yùn)動意圖,以此使用腦-機(jī)接口來達(dá)到操縱設(shè)備或表達(dá)想法的目的。本文采用了2005年BCI競賽的data sets IIIa組中的受試者K3b作為本文研究的實(shí)驗(yàn)數(shù)據(jù)。整個實(shí)驗(yàn)流程的組成形式為8秒×90次×4類:8秒代表了一次運(yùn)動想象的時間;90次是指某種運(yùn)動想象共進(jìn)行了90次;4類表示共有四類想象運(yùn)動。在本數(shù)據(jù)中這四類是指想象腳部、舌頭、左手和右手的運(yùn)動。為此,本文使用了共空間模式與希爾伯特變換結(jié)合的特征提取算法來組織特征,并利用網(wǎng)格搜索和粒子群優(yōu)化算法來改進(jìn)支持向量機(jī),用于腦電的分類。并比較了優(yōu)化后的支持向量機(jī)與學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)分類器的性能。結(jié)果表明,在選取適當(dāng)參數(shù)時,支持向量機(jī)與學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)分類器的分類準(zhǔn)確率都很高,分別達(dá)到了88.33%與90.213%。最后,選取不同腦區(qū)的數(shù)據(jù)進(jìn)行對比,證實(shí)了選用全腦區(qū)數(shù)據(jù)時,分類效果最佳,而C3、C4、Cz、CP6這四個腦區(qū)對應(yīng)了實(shí)驗(yàn)中的想象運(yùn)動的四個部位,只利用這四通道的數(shù)據(jù)也可得到較好的分類效果,為系統(tǒng)的在線應(yīng)用打下了基礎(chǔ)。
【關(guān)鍵詞】：運(yùn)動想象腦電 共空間模式 希爾伯特變換 支持向量機(jī) 學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò) 粒子群優(yōu)化
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：R318;TN911.6
【目錄】：

• 摘要5-6
• ABSTRACT6-11
• 第一章 緒論11-18
• 1.1 課題研究背景及意義11-12
• 1.2 腦-機(jī)技術(shù)研究意義與挑戰(zhàn)12-15
• 1.2.1 腦-機(jī)接口概述12
• 1.2.2 腦-機(jī)接口的結(jié)構(gòu)組成12-13
• 1.2.3 腦-機(jī)接口研究的意義13-14
• 1.2.4 腦-機(jī)接口面臨的挑戰(zhàn)與困難14-15
• 1.3 本文的研究目的及主要工作15-16
• 1.3.1 研究的目的15-16
• 1.3.2 主要研究內(nèi)容16
• 1.4 論文安排16-18
• 第二章 運(yùn)動想象腦電的研究基礎(chǔ)18-26
• 2.1 腦電信號特點(diǎn)與分析技術(shù)18-22
• 2.1.1 腦電信號概述18-20
• 2.1.2 腦電信號特點(diǎn)20
• 2.1.3 腦電分析方法20-22
• 2.2 運(yùn)動想象腦電信號的研究基礎(chǔ)22-24
• 2.2.1 運(yùn)動想象的發(fā)展及意義22-23
• 2.2.2 運(yùn)動想象的ERD/ERS23-24
• 2.3 本章小結(jié)24-26
• 第三章 數(shù)據(jù)處理流程26-34
• 3.1 實(shí)驗(yàn)介紹26-27
• 3.2 數(shù)據(jù)預(yù)處理27-29
• 3.2.1 腦電信號中的噪聲和干擾源27-28
• 3.2.2 偽跡去除28-29
• 3.2.3 預(yù)處理29
• 3.3 特征提取29-30
• 3.3.1 共空間模式29-30
• 3.3.2 希爾伯特變換30
• 3.4 分類器選擇30-33
• 3.4.1 學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)30-32
• 3.4.2 支持向量機(jī)32-33
• 3.5 本章小結(jié)33-34
• 第四章 算法描述34-50
• 4.1 數(shù)據(jù)預(yù)處理34-35
• 4.1.1 濾波器的選擇34
• 4.1.4 實(shí)驗(yàn)用濾波器的實(shí)現(xiàn)34-35
• 4.2 特征提取算法35-39
• 4.2.1 共空間模式（CSP）35-36
• 4.2.2 Hilbert變換36-39
• 4.3 分類算法39-49
• 4.3.1 學(xué)習(xí)向量量化（LVQ，Learning Vector Quantization）神經(jīng)網(wǎng)絡(luò)39-41
• 4.3.2 支持向量機(jī)（SVM， Support Vector Machine）41-45
• 4.3.3 網(wǎng)格搜索法（GSA，， Grid Search Algorithms）45-46
• 4.3.4 粒子群優(yōu)化（PSO，Particle Swarm Optimization）算法46-47
• 4.3.5 歸一化47-49
• 4.4 本章小結(jié)49-50
• 第五章 實(shí)驗(yàn)結(jié)果分析與討論50-64
• 5.1 數(shù)據(jù)預(yù)處理50-52
• 5.2 特征提取52-53
• 5.2.1 CSP空間濾波52
• 5.2.2 希爾伯特變換52-53
• 5.3 運(yùn)動想象識別53-62
• 5.3.1 SVM算法53-58
• 5.3.2 LVQ算法58-60
• 5.3.3 分類結(jié)果及討論60-62
• 5.4 本章小結(jié)62-64
• 第六章 總結(jié)與展望64-66
• 6.1 本文的主要貢獻(xiàn)64
• 6.2 進(jìn)一步研究工作64-66
• 參考文獻(xiàn)66-69
• 致謝69-70
• 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文70

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前5條

1 王健峰;張磊;陳國興;何學(xué)文;;基于改進(jìn)的網(wǎng)格搜索法的SVM參數(shù)優(yōu)化[J];應(yīng)用科技;2012年03期

2 陸蓉蓉;吳毅;;腦機(jī)接口技術(shù)在康復(fù)中的應(yīng)用[J];中華物理醫(yī)學(xué)與康復(fù)雜志;2009年10期

3 徐寶國;宋愛國;;單次運(yùn)動想象腦電的特征提取和分類[J];東南大學(xué)學(xué)報(自然科學(xué)版);2007年04期

4 何慶華;吳寶明;彭承琳;王禾;鐘渝;;基于小波和神經(jīng)網(wǎng)絡(luò)的視覺誘發(fā)電位識別方法[J];儀器儀表學(xué)報;2007年06期

5 王路;張蕾;周彥軍;曾曉云;孔俊;;基于LVQ神經(jīng)網(wǎng)絡(luò)的植物種類識別[J];吉林大學(xué)學(xué)報(理學(xué)版);2007年03期

  本文關(guān)鍵詞：運(yùn)動想象腦電信號的分析研究，由筆耕文化傳播整理發(fā)布。

本文編號：488079