腦-機接口(BCI)技術是不依賴于常規(guī)腦外周神經(jīng)和肌肉系統(tǒng),在大腦和計算機或外部設備之間建立起來的一種通信系統(tǒng)。它利用計算機或其它電子設備對特定環(huán)境或任務下的腦電信號進行采集和分析,以向外界傳達大腦信息或控制命令,并實現(xiàn)對外部設備的操縱。BCI技術在航空航天、機器人、多媒體、康復醫(yī)學工程、人工智能、腦認知、生物反饋訓練等領域有著廣闊的發(fā)展應用前景。目前BCI技術已引起國際上眾多學科科技工作者的關注,成為神經(jīng)工程、通信、計算機技術等多領域交叉的一個新的研究熱點,具有科學與應用雙重價值。 由于BI研究起步較晚,技術比較復雜,涉及內容和相關領域較多。因此,無論是BCI技術本身,還是對它的應用研究,目前都處于探索階段,還有許多關鍵技術有待解決。如：BCI源信號的采集、信號處理和信息轉換的速度、實驗范式的選擇、識別精度的提高、受試者的訓練等。 針對目前BCI技術應用中存在的問題,本文研究了基于視覺誘發(fā)P300的腦-機接口系統(tǒng)中腦電信號采集、處理和特征識別。具體完成工作如下： (1)腦電采集系統(tǒng)硬件實現(xiàn)。設計了高性能的生物電放大器,增加了皮膚接觸阻抗同步測試電路以及模擬陷波器和濾波器,采用Labview虛擬儀器平臺對放大器性能參數(shù)進行了測試,并設計了系統(tǒng)的數(shù)字化部分即模數(shù)轉換和USB傳輸。 (2)腦電采集與測量系統(tǒng)軟件設計。為了具有通用性和可擴展性,軟件設計架構成不依賴具體放大器的通用腦-機接口系統(tǒng),可對視覺誘發(fā)腦電、體感誘發(fā)腦電、運動想象誘發(fā)腦電、自發(fā)腦電等實驗數(shù)據(jù)進行采集、存儲和腦電波形顯示。 (3)誘發(fā)腦電信號處理。采用獨立成分分析(ICA)結合主成分分析(PCA)方法進行誘發(fā)腦電的實時信噪分離,有效地抑制了50HZ工頻干擾和測量中的偽跡。 (4)腦電特征實時提取。設計了視覺誘發(fā)刺激實驗范式,完成了視覺誘發(fā)腦電測量實驗,提出了一種新的視覺誘發(fā)P300特征快速提取方法,采用AR參數(shù)模型與少次相干平均的方法實時提取P300特征,為實現(xiàn)在線腦-機接口系統(tǒng)奠定了基礎。 (5)腦電特征分類方法研究。利用標準腦-機接口實驗數(shù)據(jù),分別基于Fisher線性判別方法和神經(jīng)網(wǎng)絡非線性判別方法對P300特征進行分類。實驗結果表明：對于視覺誘發(fā)P300特征的識別精度可以滿足腦-機接口系統(tǒng)的要求。 本文所設計的腦電信號采集系統(tǒng)和特征識別算法可應用于各類腦-機接口系統(tǒng)中,并為實現(xiàn)在線腦-機接口打下堅實基礎。
【學位單位】：山西大學
【學位級別】：碩士
【學位年份】：2010
【中圖分類】：TP334.7
【文章目錄】：
中文摘要
ABSTRACT
第一章 緒論
    1.1 研究目的和意義
    1.2 研究現(xiàn)狀和存在問題
    1.3 論文主要研究內容和結構
第二章 腦電信號采集系統(tǒng)硬件設計
    2.1 設計思路與方法
        2.1.1 腦電產(chǎn)生機理
        2.1.2 自發(fā)腦電與誘發(fā)腦電
        2.1.3 采集系統(tǒng)整體設計方案
    2.2 前置模擬放大器設計
        2.2.1 整體電路結構
        2.2.2 生物電前置放大器設計
    2.3 交流恒流源電路
    2.4 濾波和陷波電路設計
    2.5 基于Labview的電路參數(shù)自動測試
        2.5.1 虛擬儀器測試平臺設計
        2.5.2 模擬實驗測試
        2.5.3 實際應用測試
        2.5.4 結論
    2.6 A/D轉換
    2.7 單片機控制系統(tǒng)
    2.8 USB接口電路
    2.9 本章小結
第三章 腦電信號采集系統(tǒng)軟件設計
    3.1 單片機程序設計
        3.1.1 整體框架
        3.1.2 USB程序設計
    3.2 計算機采集分析軟件
        3.2.1 利用虛基類（抽象類）,進行放大器通用接口設計
        3.2.2 應用多媒體定時器,進行實時數(shù)據(jù)讀取
        3.2.3 應用多線程技術,進行實時信號處理
        3.2.4 利用Matlab動態(tài)鏈接庫進行數(shù)據(jù)格式轉換
        3.2.5 視覺誘發(fā)刺激實驗設計
    3.3 本章小結
第四章 腦電信號特征實時提取
    4.1 P300特征及其實驗范式
    4.2 算法基本理論
        4.2.1 ICA結合PCA方法進行實時信噪分離
    4.3 參數(shù)模型估計
    4.4 P300特征提取
    4.5 結果及分析
    4.6 本章小結
第五章 基于Fisher判別和神經(jīng)網(wǎng)絡的腦電特征分類
    5.1 實驗范式及實驗數(shù)據(jù)描述
    5.2 預處理
    5.3 特征選擇
    5.4 基于Fisher線性判別的腦電特征分類
        5.4.1 線性判別基本理論
        5.4.2 處理流程及結果分析
    5.5 基于神經(jīng)網(wǎng)絡的非線性特征分類
        5.5.1 神經(jīng)網(wǎng)絡
        5.5.2 徑向基神經(jīng)網(wǎng)絡
        5.5.3 徑向基函數(shù)學習過程
        5.5.4 算法與實現(xiàn)
        5.5.5 結果與分析
    5.6 本章小結
第六章 總結與展望
參考文獻
攻讀學位期間取得的研究成果
致謝
個人簡況及聯(lián)系方式

【引證文獻】

相關碩士學位論文 前2條

1 王宇丁;實時腦—機接口設計與研究[D];重慶大學;2012年

2 程萬里;視覺誘發(fā)腦—機接口中腦電信號處理算法研究[D];山西大學;2013年

本文編號：2871995