本文關鍵詞：運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-機接口技術,人類可以直接使用腦思維來表達想法或操縱設備,而不用具體的動作�；谶\動想象腦電信號的腦-機接口是其中的一個重要研究方向,其核心環(huán)節(jié)--運動想象腦電信號的特征提取與分類便是本文研究的重點。運動想象表示一些僅限于想象的運動,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,根據這些變化,我們就可以判斷出想象者的運動意圖,以此使用腦-機接口來達到操縱設備或表達想法的目的。本文采用了2005年BCI競賽的data sets IIIa組中的受試者K3b作為本文研究的實驗數據。整個實驗流程的組成形式為8秒×90次×4類:8秒代表了一次運動想象的時間;90次是指某種運動想象共進行了90次;4類表示共有四類想象運動。在本數據中這四類是指想象腳部、舌頭、左手和右手的運動。為此,本文使用了共空間模式與希爾伯特變換結合的特征提取算法來組織特征,并利用網格搜索和粒子群優(yōu)化算法來改進支持向量機,用于腦電的分類。并比較了優(yōu)化后的支持向量機與學習向量量化神經網絡分類器的性能。結果表明,在選取適當參數時,支持向量機與學習向量量化神經網絡分類器的分類準確率都很高,分別達到了88.33%與90.213%。最后,選取不同腦區(qū)的數據進行對比,證實了選用全腦區(qū)數據時,分類效果最佳,而C3、C4、Cz、CP6這四個腦區(qū)對應了實驗中的想象運動的四個部位,只利用這四通道的數據也可得到較好的分類效果,為系統的在線應用打下了基礎。
【關鍵詞】：運動想象腦電 共空間模式 希爾伯特變換 支持向量機 學習向量量化神經網絡 粒子群優(yōu)化
【學位授予單位】：上海交通大學
【學位級別】：碩士
【學位授予年份】：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-機技術研究意義與挑戰(zhàn)12-15
• 1.2.1 腦-機接口概述12
• 1.2.2 腦-機接口的結構組成12-13
• 1.2.3 腦-機接口研究的意義13-14
• 1.2.4 腦-機接口面臨的挑戰(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 主要研究內容16
• 1.4 論文安排16-18
• 第二章 運動想象腦電的研究基礎18-26
• 2.1 腦電信號特點與分析技術18-22
• 2.1.1 腦電信號概述18-20
• 2.1.2 腦電信號特點20
• 2.1.3 腦電分析方法20-22
• 2.2 運動想象腦電信號的研究基礎22-24
• 2.2.1 運動想象的發(fā)展及意義22-23
• 2.2.2 運動想象的ERD/ERS23-24
• 2.3 本章小結24-26
• 第三章 數據處理流程26-34
• 3.1 實驗介紹26-27
• 3.2 數據預處理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 學習向量量化神經網絡30-32
• 3.4.2 支持向量機32-33
• 3.5 本章小結33-34
• 第四章 算法描述34-50
• 4.1 數據預處理34-35
• 4.1.1 濾波器的選擇34
• 4.1.4 實驗用濾波器的實現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 學習向量量化（LVQ，Learning Vector Quantization）神經網絡39-41
• 4.3.2 支持向量機（SVM， Support Vector Machine）41-45
• 4.3.3 網格搜索法（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49-50
• 第五章 實驗結果分析與討論50-64
• 5.1 數據預處理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 分類結果及討論60-62
• 5.4 本章小結62-64
• 第六章 總結與展望64-66
• 6.1 本文的主要貢獻64
• 6.2 進一步研究工作64-66
• 參考文獻66-69
• 致謝69-70
• 攻讀學位期間發(fā)表的學術論文70

【參考文獻】

中國期刊全文數據庫 前5條

1 王健峰;張磊;陳國興;何學文;;基于改進的網格搜索法的SVM參數優(yōu)化[J];應用科技;2012年03期

2 陸蓉蓉;吳毅;;腦機接口技術在康復中的應用[J];中華物理醫(yī)學與康復雜志;2009年10期

3 徐寶國;宋愛國;;單次運動想象腦電的特征提取和分類[J];東南大學學報(自然科學版);2007年04期

4 何慶華;吳寶明;彭承琳;王禾;鐘渝;;基于小波和神經網絡的視覺誘發(fā)電位識別方法[J];儀器儀表學報;2007年06期

5 王路;張蕾;周彥軍;曾曉云;孔俊;;基于LVQ神經網絡的植物種類識別[J];吉林大學學報(理學版);2007年03期

  本文關鍵詞：運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