發(fā)布時間：2020-07-05 00:12

【摘要】： 基于腦電信號(EEG)的腦-機接口(BCI)是當今BCI研究的主流。其中利用自發(fā)腦電信號,通過識別特定意識任務實現控制的BCI系統(tǒng)不需要外部刺激裝置和長時間的訓練,具有很大的應用前景和價值。本論文主要從EEG信號的預處理,特征提取方法和分類器的設計等方面對此類BCI系統(tǒng)進行了較為深入的研究,主要工作和成果有: 采用有效的盲源分離(BSS)方法分別對EEG信號中的工頻、眼電(EOG)和肌電(EMG)偽跡進行了分離和去除。獨立分量分析(ICA)能夠取得較為理想的去除EOG偽跡的效果,得到了廣泛的應用,因此在本文中也采用了這種方法去除EEG中的EOG偽跡。此外,工頻噪聲也利用了ICA方法來去除。在直接利用ICA無法分離出6導EEG信號中的工頻噪聲的情況下,人為構造了兩路工頻信號,引入ICA的輸入作為參考信號,從而成功的分離和去除了工頻噪聲。在以往的基于意識任務BCI的研究中,均沒有對EMG偽跡進行處理,本文提出了一種基于典型相關分析(CCA)和低通濾波的BSS方法來分離和去除EMG偽跡。采集到的EEG信號可以看作是不相關的EEG源和EMG偽跡源的瞬時混合,因此,CCA能夠將真實的EEG信號和EMG偽跡分離開。相較于EEG而言,自相關性較弱的EMG偽跡出現在最小自相關的CCA分量中。但是這些分量也包含了EEG信息,因此在對這些分量進行低通濾波處理以后,再重構出EEG信號。提出的這種新方法在去除EMG偽跡的同時能夠有效的保留EEG信息,是BCI系統(tǒng)中一種更為理想的去除EMG偽跡的EEG信號預處理方法。 本文研究了時-頻特征提取方法和時-頻-空特征提取方法。頻域分析方法提取EEG的節(jié)律特征及頻譜特征是目前最主要的方法,然而這種方法是建立在被分析的EEG信號是平穩(wěn)的假設上。時頻分析方法是適合于處理EEG信號這種典型非平穩(wěn)信號的有效工具。本文將線性時頻變換和雙線性時頻變換應用于不同意識任務EEG信號的特征提取。短時傅里葉變換(STFT)雖然不存在交叉項干擾,但是其時頻聚集性不好。作者將STFT與AR模型相結合,在STFT的求解過程中采用AR譜代替傅里葉譜,這種改進的STFT獲得了比較好的時頻聚集性,能夠更有效的提取EEG特征。Wigner-Ville分布(WVD)雖然時頻聚集性好,但又存在交叉項干擾。平滑偽Wigner-Ville分布(SPWVD)是WVD的一種改進,達到了抑制交叉項的目的,因此能夠更準確的提取EEG特征。時-頻-空特征提取方法考慮了從多通道EEG信號(多變量EEG信號)提取空域特征,是一種提取EEG特征的新思路。由于直接對多變量EEG信號處理時,計算量大,得到的特征數多,該方法首先對多變量信號進行空域解相關處理,從而降低了計算量和特征數,提高了這種方法的實用性。 設計了兩種分類器:基于Fisher辨別分析(FDA)和馬氏距離(MD)的分類器和基于最小二乘支持向量機(LS_SVM)的分類器。FDA是一類較為簡單的線性判別函數,該線性分類器容易實現,計算量小,能夠滿足BCI系統(tǒng)對實時性的要求�；诮Y構風險最小化原則的SVM是近些年來發(fā)展起來的一種新型模式識別方法,克服了傳統(tǒng)方法的過學習、高維數、局部最小等問題,具有很強的推廣能力,但是其計算速度較慢。因此,本文利用了SVM的改進方法LS_SVM來設計分類器,LS_SVM將SVM中的二次規(guī)劃問題轉化為線性方程求解,提高了計算速度,更適合于在BCI系統(tǒng)中充當分類器。此外,本文也對利用SVM進行多分類的方法進行了研究,設計了基于LS_SVM的多分類器。 本文設計了三組實驗,每組實驗均對8個受試者的意識任務進行了二分類和多分類。第一組實驗用于驗證本文所給出的特征提取方法的有效性,并比較了它們的性能。采用基于AR模型的STFT和SPWVD的特征提取方法取得了最好的分類效果。不過基于AR模型的STFT更加簡單,因此是一種更具優(yōu)勢的方法。第二組實驗對設計的兩種分類器進行了驗證和比較。在二分類時,LS_SVM分類器取得了更好的分類效果,而在三分類,四分類和五分類時,FDA+MD分類器在正確率和計算速度上都更具優(yōu)勢。本論文提出了一個新的觀點,認為頭皮方式采集的EEG信號的高頻成分也包含了與意識狀態(tài)相關的信息,增加從高頻范圍提取的EEG特征有助于提高基于意識任務BCI系統(tǒng)的分類效果。本文在實驗三中對這個觀點進行了驗證,將包含高頻帶(40-100Hz)特征的分類結果與沒有包含高頻帶特征的分類結果進行了比較,實驗結果顯示包含高頻帶特征的分類正確率顯著高于不包含高頻帶特征的分類正確率,證明了提出的這個新的觀點是正確的。
【學位授予單位】：重慶大學
【學位級別】：博士
【學位授予年份】：2008
【分類號】：TP334.7
【圖文】：

此外，PET，fMRI，光學成像需要測辨率較低(如：PET成像時間為幾十秒，往往難以滿足BCI快速通訊的要求。相集設備簡單、便于攜帶、價格低廉，對成為了當今腦－機接口研究的主流[4, 5]。來看，腦電信號包括頭皮腦電、硬膜外經元電活動信號等。通過標準頭皮電極集方式，與其它有損傷的方式相比，前易受噪聲干擾，后者由于電極是植入大行開顱手術，健康者不大可能接受這種癲癇等腦疾病進行腦外科手術的機會給前世界上 BCI 實驗室大多采用頭皮電極導聯 10-20 系統(tǒng)[6]安放在頭皮表面，通�？剐∮� 5k ，下圖所示為 16 通道國際

21圖 2.2 采集軟件顯示的 EEG 信號和眼電信號Fig 2.2 EEG and EOG signals displayed in acquisition software結信號是大腦思維活動的一種直接的表現。自從腦電信號被發(fā)現以來借助于EEG了解大腦的思維機制，嘗試使用EEG來研究大腦的思維活現，當大腦在執(zhí)行不同的意識任務的時候，大腦的兩個半球發(fā)揮了，通過分析記錄到的人們在完成不同意識任務時的EEG信號，發(fā)現了現出大腦半球的這種功能差異。因此，有可能利用這種EEG信號的差效的腦-機接口的模式。雖然我們在不少科幻小說和電影里看到了人EG完成各種充滿幻想的工作，但是現實離幻想還有很大的距離。實際

【參考文獻】

相關期刊論文 前5條

1 張學工;關于統(tǒng)計學習理論與支持向量機[J];自動化學報;2000年01期

2 黃勇;鄭春穎;宋忠虎;;多類支持向量機算法綜述[J];計算技術與自動化;2005年04期

3 王興玲,李占斌;基于網格搜索的支持向量機核函數參數的確定[J];中國海洋大學學報(自然科學版);2005年05期

4 龍飛,吳小培,范羚;基于獨立分量分析的腦電噪聲消除[J];生物醫(yī)學工程學雜志;2003年03期

5 茍博;黃賢武;;支持向量機多類分類方法[J];數據采集與處理;2006年03期

本文編號：2741782