本文關(guān)鍵詞：腦—機接口中的SSVEP信號處理方法研究

  更多相關(guān)文章： 腦-機接口 SSVEP 特征提取 希爾伯特-黃變換 典型相關(guān)分析

【摘要】：腦-機接口(BCI)是一種不依賴大腦常規(guī)信息輸出通道的全新交互方式,未來在幫助腦損傷病人上具有很高的潛在價值。目前,腦-機接口特別是基于穩(wěn)態(tài)視覺誘發(fā)電位(SSVEP)的腦-機接口由于信息傳輸率高、不需要訓練等優(yōu)點,受到越來越多人的關(guān)注。但是基于SSVEP的BCI系統(tǒng)對刺激方式過于敏感,因此如何有效地對SSVEP信號進行處理,將直接影響B(tài)CI系統(tǒng)的性能。本課題是采用頻譜特征方法、小波變換、希爾伯特-黃變換(HHT)和典型相關(guān)分析(CCA)對不同刺激個數(shù)和刺激距離情況對SSVEP信號處理影響的研究。具體主要工作如下:首先,本文設(shè)計了一套能夠快速設(shè)定刺激個數(shù)和刺激距離的基于LCD顯示器的刺激器方案,為課題研究奠定了基礎(chǔ)。在此基礎(chǔ)上,本文采用FFT、短時傅里葉變換(STFT)和AR模型從頻譜特征角度對SSVEP進行特征提取研究。實驗表明,FFT和STFT比AR模型更適合用于分析刺激頻率之間的關(guān)系。其次,本文對基于小波變換和HHT的SSVEP特征提取進行研究,分析不同刺激個數(shù)對特征提取的影響。針對經(jīng)驗模態(tài)分解容易產(chǎn)生“模態(tài)混疊”等缺點,本文提出一種結(jié)合小波包的改進HHT方法。實驗表明,改進HHT方法對SSVEP的特征提取和識別效果要優(yōu)于小波包和HHT方法。此外,實驗還表明,隨著刺激個數(shù)增加,刺激之間的競爭更加激烈,目標刺激頻率受抑制更為顯著,增大了特征提取難度。最后,本文采用典型相關(guān)分析(CCA)對不同刺激距離和不同刺激個數(shù)情況下的SSVEP識別效果進行研究。其中,通過比較CCA和Mset CCA的識別效果,分析了兩種參考信號構(gòu)造方式的影響因素。為了提取SSVEP中的有效成分,本文提出一種結(jié)合小波包的改進CCA算法。實驗結(jié)果一方面表明,改進CCA算法很大程度上提高了對SSVEP信號的識別準確率。另一方面表明,隨著刺激距離的減小或刺激個數(shù)的增加,刺激之間的競爭關(guān)系逐漸增強,目標刺激頻率受抑制作用增大,進而增大了識別的難度。最后分析了基于FFT、小波包、HHT、改進HHT、CCA和改進HHT的SSVEP識別效果,結(jié)果表明,改進CCA分析的識別效果最好,且其他算法都比FFT好。
【關(guān)鍵詞】：腦-機接口 SSVEP 特征提取 希爾伯特-黃變換 典型相關(guān)分析
【學位授予單位】：華南理工大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：R651.15;TN911.7
【目錄】：

• 摘要5-6
• Abstract6-11
• 第一章 緒論11-18
• 1.1 腦-機接口的基本理論11-13
• 1.1.1 腦-機接口的定義11
• 1.1.2 腦-機接口的腦電信號模式11-13
• 1.2 腦-機接口系統(tǒng)的結(jié)構(gòu)13-15
• 1.3 腦-機接口的研究現(xiàn)狀及意義15-17
• 1.3.1 腦-機接口的研究現(xiàn)狀15-16
• 1.3.2 腦-機接口的研究意義16-17
• 1.4 本文研究內(nèi)容17-18
• 第二章 基于SSVEP的BCI系統(tǒng)方案設(shè)計18-26
• 2.1 視覺誘發(fā)電位產(chǎn)生原理18-19
• 2.2 視覺刺激器設(shè)計19-22
• 2.2.1 刺激器種類19-20
• 2.2.2 刺激頻率的選擇20-21
• 2.2.3 其他刺激參數(shù)選擇21-22
• 2.3 LCD刺激器的實現(xiàn)22-24
• 2.4 腦電信號采集系統(tǒng)及實驗方案簡介24-25
• 2.4.1 腦電信號采集系統(tǒng)24
• 2.4.2 實驗方案介紹24-25
• 2.5 本章小結(jié)25-26
• 第三章 基于頻譜方法的SSVEP特征提取26-45
• 3.1 SSVEP信號的預處理26-27
• 3.2 快速傅里葉變換27-29
• 3.2.1 離散傅里葉變換27-28
• 3.2.2 快速傅里葉變換28-29
• 3.3 STFT理論基礎(chǔ)29-32
• 3.3.1 STFT的定義29-30
• 3.3.2 時頻參數(shù)的選擇30-32
• 3.4 基于AR模型功率譜估計32-38
• 3.4.1 AR模型功率譜估計原理32-34
• 3.4.2 AR模型系數(shù)的求解算法34-36
• 3.4.3 AR模型定階問題思考36-38
• 3.5 實驗結(jié)果與分析38-43
• 3.6 本章小結(jié)43-45
• 第四章 基于小波變換和HHT的SSVEP特征提取45-68
• 4.1 小波變換基本理論45-52
• 4.1.1 連續(xù)小波變換45-47
• 4.1.2 離散小波變換47-48
• 4.1.3 多分辨分析48-49
• 4.1.4 小波包分析49-52
• 4.2 希爾伯特黃變換理論基礎(chǔ)52-57
• 4.2.1 固定模態(tài)函數(shù)52-53
• 4.2.2 經(jīng)驗模態(tài)分解53-55
• 4.2.3 Hilbert譜55-57
• 4.3 結(jié)合小波包的改進HHT分析方法57-61
• 4.3.1 EMD的模態(tài)混疊現(xiàn)象58-59
• 4.3.2 改進的小波包結(jié)合HHT分析方法59-61
• 4.4 實驗結(jié)果與分析61-66
• 4.5 本章小結(jié)66-68
• 第五章 基于典型相關(guān)分析的SSVEP信號識別68-85
• 5.1 典型相關(guān)分析的概述68-69
• 5.2 典型相關(guān)分析的數(shù)學表示與算法求解69-72
• 5.2.1 典型相關(guān)分析的數(shù)學表示69-70
• 5.2.2 典型相關(guān)分析的算法求解70-72
• 5.3 基于CCA的SSVEP信號識別72-78
• 5.3.1 CCA識別SSVEP信號的基本思想72-73
• 5.3.2 基于MsetCCA的SSVEP信號識別73-75
• 5.3.3 CCA與MsetCCA的實驗識別效果分析75-78
• 5.4 結(jié)合小波分析的改進CCA算法78-79
• 5.5 實驗結(jié)果與分析79-83
• 5.6 本章小結(jié)83-85
• 結(jié)論85-87
• 參考文獻87-92
• 攻讀碩士學位期間取得的研究成果92-93
• 致謝93-94
• 附件94

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前2條

1 黃漫玲;吳平東;殷罡;劉瑩;;基于穩(wěn)態(tài)視覺誘發(fā)電位的腦-機接口實驗研究[J];北京理工大學學報;2008年11期

2 吳正華;堯德中;;不同顏色單色光產(chǎn)生的穩(wěn)態(tài)視覺誘發(fā)電位的比較[J];生物醫(yī)學工程學雜志;2008年05期

中國博士學位論文全文數(shù)據(jù)庫 前2條

1 吳正華;穩(wěn)態(tài)視覺誘發(fā)電位在腦機接口及認知過程中的應用研究[D];電子科技大學;2008年

2 張楊松;基于穩(wěn)態(tài)視覺誘發(fā)電位的腦機制及腦—機接口研究[D];電子科技大學;2013年

中國碩士學位論文全文數(shù)據(jù)庫 前3條

1 石倩;基于穩(wěn)態(tài)視覺誘發(fā)電位的腦—機接口研究與設(shè)計[D];大連理工大學;2009年

2 鄭軍;基于穩(wěn)態(tài)視覺誘發(fā)電位的腦—機接口實現(xiàn)與研究[D];華南理工大學;2012年

3 李梅;模擬閱讀BCI信號空時特征提取與模式識別[D];中南民族大學;2013年

，

本文編號：1086532