【摘要】：盡管腦-機接口技術(shù)在近幾十年得到飛速發(fā)展,但由于腦電信號的抗噪聲能力差、復雜度高,開發(fā)實用化系統(tǒng)仍然面臨著巨大的挑戰(zhàn)。穩(wěn)態(tài)視覺誘發(fā)電位(Steady State Visual Evoked Potential,SSVEP)因具有高識別率和信息傳輸率等特性得到廣泛的應用。由于硬件技術(shù)以及生理機制的限制,能夠引起SSVEP響應的刺激頻率屈指可數(shù)。為此,本文通過頻移鍵控(Frequency Shift Keying,FSK)編碼,同時增加指令間隔生成TFSK(Trinary Frequency-Shift Keying Encoded)編碼的方式來增加刺激指令數(shù)量。在FSK-SSVEP系統(tǒng)中,存在的主要問題包括采集有用數(shù)據(jù)比較困難而且解調(diào)的難度系數(shù)大。針對這些問題,本文具體研究內(nèi)容如下:首先,分析SSVEP調(diào)制解調(diào)方式以及設計離線數(shù)據(jù)采集實驗。(1)研究頻率調(diào)制與FSK調(diào)制方式的特性,選擇FSK方式對多個頻率調(diào)制解決SSVEP中刺激指令受限的問題。(2)分析TFSK調(diào)制與通信領(lǐng)域FSK調(diào)制的差異,并結(jié)合腦電信號的特性和調(diào)制信號中的變量(包括編碼頻率、碼元刺激時間、碼元序列長度等)來設計實驗范式。通過實驗完成對10名受視者的離線數(shù)據(jù)采集;然后,研究FSK-SSVEP信號解調(diào)的算法。比較分析了傅里葉變換、小波變換以及經(jīng)驗模態(tài)分解算法的特性,并根據(jù)腦電信號(Electroencephalogram,EEG)非線性、非平穩(wěn)、噪聲大等特點,設計了經(jīng)驗模態(tài)分解算法對信號進行分解與篩選完成信號預處理,從而提高信噪比�？偨Y(jié)了通信領(lǐng)域中FSK的解調(diào)算法,仿真研究了相干解調(diào)算法、非相干解調(diào)算法和典型相關(guān)分析算法的原理,并使用TFSKSSVEP腦電數(shù)據(jù)分析了相差和碼元起點判定對解調(diào)算法以及解調(diào)結(jié)果的影響。通過解調(diào)結(jié)果分析表明結(jié)合經(jīng)驗模態(tài)分解與非相干解調(diào)算法的解調(diào)效果最佳,其平均準確率高達93.35%;最后,在Android系統(tǒng)上實現(xiàn)了經(jīng)驗模態(tài)分解與非相干解調(diào)算法,并設計了基于Android系統(tǒng)的撥號軟件完成對腦電信號的實時傳輸與處理,對算法進行了在線測試。通過撥號軟件成功撥號的結(jié)果表明經(jīng)驗模態(tài)分解與非相干解調(diào)算法在TFSKSSVEP BCI系統(tǒng)中具有可行性。
【圖文】：

變化以一定的頻率進行劃分和命名是處理當下腦電信號問題的常用方法 SSVEP 信號的特征表現(xiàn)SSVEP 是通過視覺刺激誘發(fā)的周期信號，，刺激源的閃爍頻率為 5-20Hz。信號中包含刺激頻率基頻、倍頻等頻率[30]。實現(xiàn)SSVEP的特征提取比較電信號進行時頻分析，找到頻譜信號中的最高幅度值，其對應的頻率即頻率[31]。通常情況下使用 LED 或 LCD 進行刺激，一般會使用多個刺覺刺激，刺激源在有效頻率刺激的范圍內(nèi)連續(xù)閃爍以刺激視覺皮層。如圖 2.1 中所示為 5Hz 刺激頻率下誘發(fā)的一段真實 SSVEP 原始信號以傅里葉變換得到的 SSVEP 信號頻譜圖�？梢钥闯�，響應信號除了在基現(xiàn)譜峰，諧波 10Hz 和 15Hz 處也出現(xiàn)了譜峰。

圖 3.2 刺激器主控板列板采用的是四行、四列的 LED 組成。由于視錐細胞的發(fā)的 SSVEP 響應幅度低，復合光誘發(fā)的 SSVEP 響應幅三種顏色的光源對比，結(jié)果紅色光源刺激的效果最佳，因紅光，實物如圖 3.3 所示。每個 LED 表示一個刺激源目 FM 或者 FSK 模式）。相鄰刺激目標之間的距離均為 2cm注視某個特定刺激的目標時，該刺激能進入到視網(wǎng)膜的中刺激對目標刺激造成影響。根據(jù)需求可以對陣列輸出 1 到實現(xiàn) 16 種不同的指令模式，較多的指令模式能夠完成更用目的。比如對于 SSVEP 撥號系統(tǒng)，10 個數(shù)字指令加上刺激器遠遠滿足其需求。又例如一些簡單的游戲，俄羅斯
【學位授予單位】：重慶郵電大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TN911.3;R318

【相似文獻】

相關(guān)期刊論文 前10條

1 楊默涵;陳萬忠;李明陽;;基于總體經(jīng)驗模態(tài)分解的多類特征的運動想象腦電識別方法研究[J];自動化學報;2017年05期

2 孫國強;樊新海;張傳清;;基于短時處理和經(jīng)驗模態(tài)分解的地面戰(zhàn)場目標被動聲識別[J];測試技術(shù)學報;2017年05期

3 宋振江;楊俊;李爭;;基于二維經(jīng)驗模態(tài)分解的航攝影像去噪應用研究——以江西省某地區(qū)航攝影像為例[J];湖北民族學院學報(自然科學版);2016年02期

4 石志標;陳峰;;基于集合經(jīng)驗模態(tài)分解和支持向量機的滾動軸承故障診斷[J];拖拉機與農(nóng)用運輸車;2015年02期

5 林玉榮;王強;;基于一維經(jīng)驗模態(tài)分解的圖像細節(jié)提取方法[J];吉林大學學報(工學版);2011年06期

6 蔡碧野;陳文輝;李峰;;二維經(jīng)驗模態(tài)分解邊界效應抑制研究[J];計算機工程與應用;2008年13期

7 周志鋒,蔡萍,許嘉,陳日興;基于經(jīng)驗模態(tài)分解的汽車動態(tài)稱重數(shù)據(jù)處理[J];中國機械工程;2005年20期

8 李陽;任殿龍;張超;楊學嶺;;基于經(jīng)驗模態(tài)分解的飛機微多普勒特性分析[J];雷達與對抗;2018年01期

9 任志英;高誠輝;羅德海;林有希;張世忠;;二維經(jīng)驗模態(tài)分解在工程表面形貌誤差評定中的應用[J];光學精密工程;2017年02期

10 郝歡;王華力;魏勤;;經(jīng)驗模態(tài)分解理論及其應用[J];高技術(shù)通訊;2016年01期

相關(guān)會議論文 前10條

1 李關(guān)防;許春雷;惠俊英;;基于經(jīng)驗模態(tài)分解的特征提取算法研究[A];中國造船工程學會電子技術(shù)學術(shù)委員會2011年海戰(zhàn)場電子信息技術(shù)學術(shù)年會論文集[C];2011年

2 楊永鋒;;經(jīng)驗模態(tài)分解與非線性分析的協(xié)同研究[A];第四屆全國動力學與控制青年學者研討會論文摘要集[C];2010年

3 楊濤;樂友喜;曾賢德;;自適應噪聲的總體集合經(jīng)驗模態(tài)分解在時頻分析中的應用[A];2018年中國地球科學聯(lián)合學術(shù)年會論文集（二十三）——專題47：油氣田與煤田地球物理勘探[C];2018年

4 康春玉;章新華;;一種基于經(jīng)驗模態(tài)分解的信號降噪方法[A];中國聲學學會2007年青年學術(shù)會議論文集（下）[C];2007年

5 袁業(yè)立;;SAR海洋探測新進展[A];面向21世紀的科技進步與社會經(jīng)濟發(fā)展（上冊）[C];1999年

6 郝文峰;駱英;顧建祖;;基于經(jīng)驗模態(tài)分解-支持向量機的玻璃幕墻開膠損傷預測研究[A];中國力學學會學術(shù)大會'2009論文摘要集[C];2009年

7 胡建平;吳曉旭;王輝;劉秀平;謝琪;;曲面上向量值函數(shù)的經(jīng)驗模態(tài)分解[A];第六屆全國幾何設計與計算學術(shù)會議論文集[C];2013年

8 蔡俊雄;樂友喜;;完備總體經(jīng)驗模態(tài)分解方法研究[A];2016中國地球科學聯(lián)合學術(shù)年會論文集（三十九）——專題79：中國古生物學和地層學最新進展、專題80：地熱理論與應用、專題81：應用地球物理學前沿[C];2016年

9 李鴻光;;基于微分的經(jīng)驗模態(tài)分解及其在多重轉(zhuǎn)子故障分析中的應用[A];The 5th 全國動力學與控制青年學者研討會論文摘要集[C];2011年

10 譚善文;嚴利;熊朝坤;;一種新型的譜分析方法—Hilbert譜[A];第十七屆全國水動力學研討會暨第六屆全國水動力學學術(shù)會議文集[C];2003年

相關(guān)博士學位論文 前10條

1 黎恒;經(jīng)驗模態(tài)分解中的優(yōu)化理論與方法研究[D];西安電子科技大學;2017年

2 石志曉;時頻聯(lián)合分析方法在參數(shù)識別中的應用[D];大連理工大學;2005年

3 孫暉;經(jīng)驗模態(tài)分解理論與應用研究[D];浙江大學;2005年

4 熊衛(wèi)華;經(jīng)驗模態(tài)分解方法及其在變壓器狀態(tài)監(jiān)測中的應用研究[D];浙江大學;2006年

5 葛光濤;二維經(jīng)驗模態(tài)分解研究及其在圖像處理中的應用[D];哈爾濱工程大學;2009年

6 高靜;經(jīng)驗模態(tài)分解的改進方法及應用研究[D];北京理工大學;2014年

7 胡勁松;面向旋轉(zhuǎn)機械故障診斷的經(jīng)驗模態(tài)分解時頻分析方法及實驗研究[D];浙江大學;2003年

8 周義;快速二維經(jīng)驗模態(tài)分解和相位追蹤方法及其在導波無損檢測中的應用[D];上海交通大學;2014年

9 房曰榮;隧道瑞雷波探測信號去噪與頻散曲線提取研究[D];福州大學;2014年

10 賀智;改進的經(jīng)驗模態(tài)分解算法及其在高光譜圖像分類中的應用[D];哈爾濱工業(yè)大學;2014年

相關(guān)碩士學位論文 前10條

1 何洋洋;旋轉(zhuǎn)機械振動故障診斷研究[D];華北電力大學(北京);2019年

2 張成;基于聚類經(jīng)驗模態(tài)分解和差分熵的輸電線路故障測距研究[D];上海交通大學;2018年

3 汪向碩;基于組合模型的超短期風功率預測研究[D];華北電力大學;2019年

4 張晨紅;基于風速數(shù)據(jù)預處理的風電功率預測新方法研究[D];華北電力大學;2019年

5 劉玉芹;考慮風電功率預測的混合儲能運行控制策略研究[D];華北電力大學;2019年

6 陳凈和;基于噪聲輔助經(jīng)驗模態(tài)分解的低溫高速軸承故障診斷方法研究[D];北京交通大學;2019年

7 王霞;FSK-SSVEP系統(tǒng)中解調(diào)方法的研究[D];重慶郵電大學;2019年

8 劉陳希;基于EMD-ICA的地震資料去噪方法研究[D];中國石油大學(華東);2017年

9 孫志鑫;基于多元經(jīng)驗模態(tài)分解的電力系統(tǒng)低頻振蕩模式辨識[D];東北電力大學;2019年

10 馬富齊;基于復數(shù)據(jù)經(jīng)驗模態(tài)分解和隨機森林理論的風電機組多域特征故障診斷研究[D];西安理工大學;2019年

本文編號：2686599