本文關(guān)鍵詞：基于EEG-NIRS的少通道腦機(jī)接口研究

  更多相關(guān)文章： 腦機(jī)接口 腦電圖 功能近紅外 源定位 特征提取 數(shù)據(jù)融合 支持向量機(jī) 誤差反向傳播神經(jīng)網(wǎng)絡(luò)

【摘要】：腦機(jī)接口(brain-computer interface, BCI)是目前被廣泛關(guān)注的一個(gè)重要研究方向,其目的是建立一個(gè)大腦與外部環(huán)境之間信息交互和控制的通道。目前腦機(jī)接口的研究越來(lái)越趨于實(shí)用化和可穿戴化。而基于運(yùn)動(dòng)想象的BCI由于其不需要借助外界刺激,屬于獨(dú)立型BCI,因而一直以來(lái)都是BCI研究中的熱點(diǎn)。雙模態(tài)BCI由于其信號(hào)的獨(dú)立和互補(bǔ)性,為建立少通道的便攜BCI系統(tǒng)提供可能。本文主要研究了基于腦電(electroencephalography, EEG)-近紅外(near-infrared spectroscopy, NIRS)的雙模態(tài)少通道運(yùn)動(dòng)想象BCI系統(tǒng),探討了該雙模態(tài)BCI從實(shí)驗(yàn)范式到模式分類(lèi)的整體過(guò)程。并取得了如下的研究成果：(1)本文首先根據(jù)EEG、NIRS運(yùn)動(dòng)想象信號(hào)產(chǎn)生的生理機(jī)制,采用溯源方法,從大腦皮層激活的層面定位左右手運(yùn)動(dòng)想象激活的主要腦部區(qū)域?yàn)锽rodmann分區(qū)中的輔助運(yùn)動(dòng)區(qū)6區(qū)。從而從信號(hào)源層面上確定少通道EEG-NIRS BCI系統(tǒng)的通道排布,即EEG通道為10-20系統(tǒng)對(duì)應(yīng)的C3, CZ, C4, NIRS通道則布置為C3和C4周邊各3對(duì)發(fā)射極和接收極。(2)為了更好的提取少通道BCI特征,本文在運(yùn)用共同空間模式(common spatial patterns, CSP)方法進(jìn)行空間濾波前,先利用相空間重構(gòu)(phase space reconstruction, PSR)方法對(duì)3通道EEG信號(hào)進(jìn)行了通道擴(kuò)展。為了檢驗(yàn)該方法的有效性,本文利用2005 BCI競(jìng)賽數(shù)據(jù)集IIIa的3通道數(shù)據(jù)分別經(jīng)CSP方法和PSR+CSP方法提取后的特征運(yùn)用同種分類(lèi)器進(jìn)行四分類(lèi)。結(jié)果發(fā)現(xiàn)：僅利用CSP方法特征提取分類(lèi)正確率為43.0%,而PSR+CSP方法特征提取正確率提高到73.9%。而對(duì)于本實(shí)驗(yàn)采集的數(shù)據(jù),CSP方法特征提取分類(lèi)正確率為60.7%,而PSR+CSP方法特征提取正確率提高到74.7%。而對(duì)于本文自采的少通道EEG數(shù)據(jù)分別經(jīng)CSP方法和PSR+CSP方法提取后的特征運(yùn)用同種分類(lèi)器分類(lèi),發(fā)現(xiàn)PSR+CSP方法得到的正確率比CSP方法高出約15%。說(shuō)明PSR+CSP方法能夠有效的提取少通道BCI特征。(3)本文探討了基于數(shù)據(jù)融合的雙模態(tài)信號(hào)模式分類(lèi),嘗試了基于支持向量機(jī)(support vector machine, SVM)的特征層融合和基于誤差反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)的決策層融合,其中利用SVM對(duì)EEG, NIRS信號(hào)進(jìn)行特征層融合取得了更好的分類(lèi)結(jié)果。基于SVM的雙模態(tài)特征層融合BCI系統(tǒng)平均正確率達(dá)81.2%,最高正確率100%,比任一單模態(tài)正確率都高。且由于采用數(shù)據(jù)融合技術(shù),使得對(duì)某種腦信號(hào)采集技術(shù)反應(yīng)不明顯的被試,能夠在另一種技術(shù)上得到補(bǔ)充,從而使得本文的最低正確率從EEG單模態(tài)最低58.3%、NIRS單模態(tài)最低43.1%,提高到雙模態(tài)最低75.0%。并且基于SVM的特征層融合將融合和決策同時(shí)進(jìn)行,從而節(jié)省了系統(tǒng)信號(hào)處理的時(shí)間提高了響應(yīng)速度。采用雙模態(tài)數(shù)據(jù)融合建立BCI系統(tǒng),提高了系統(tǒng)的時(shí)空間覆蓋能力、降低了系統(tǒng)的信息模糊程度,從而使得雙模態(tài)BCI系統(tǒng)具有良好的魯棒性、準(zhǔn)確性;并有效減少了BCI盲拓展了BCI系統(tǒng)的適用人群。
【關(guān)鍵詞】：腦機(jī)接口 腦電圖 功能近紅外 源定位 特征提取 數(shù)據(jù)融合 支持向量機(jī) 誤差反向傳播神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：東南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：TN911.7;R318
【目錄】：

• 摘要5-6
• Abstract6-11
• 第一章 緒論11-20
• 1.1 腦機(jī)接口研究背景11-14
• 1.1.1 腦機(jī)接口的定義11
• 1.1.2 腦機(jī)接口的組成11-12
• 1.1.3 腦機(jī)接口的分類(lèi)12-14
• 1.2 腦機(jī)接口的研究現(xiàn)狀14-17
• 1.2.1 單模態(tài)腦機(jī)接口研究現(xiàn)狀14-16
• 1.2.2 多模態(tài)腦機(jī)接口研究現(xiàn)狀16-17
• 1.3 本文的主要研究?jī)?nèi)容17-18
• 1.4 論文的章節(jié)安排18-20
• 第二章 運(yùn)動(dòng)想象誘發(fā)腦電和血氧變化的生理學(xué)基礎(chǔ)20-23
• 2.1 大腦皮層及其功能分區(qū)20
• 2.2 運(yùn)動(dòng)想象誘發(fā)腦電的生理學(xué)基礎(chǔ)20-21
• 2.2.1 腦電的產(chǎn)生及測(cè)量機(jī)制20-21
• 2.2.2 運(yùn)動(dòng)想象誘發(fā)的事件相關(guān)同步/去同步21
• 2.3 運(yùn)動(dòng)想象誘發(fā)血氧變化的生理學(xué)基礎(chǔ)21-22
• 2.3.1 血氧變化的產(chǎn)生及測(cè)量機(jī)制21-22
• 2.3.2 運(yùn)動(dòng)想象誘發(fā)的血氧變化22
• 2.4 本章小結(jié)22-23
• 第三章 基于運(yùn)動(dòng)想象的雙模態(tài)腦機(jī)接口系統(tǒng)實(shí)驗(yàn)設(shè)計(jì)23-27
• 3.1 實(shí)驗(yàn)環(huán)境23
• 3.2 被試23-24
• 3.3 實(shí)驗(yàn)范式24-25
• 3.4 雙模態(tài)腦機(jī)接口信號(hào)采集25-26
• 3.4.1 腦電信號(hào)采集25-26
• 3.4.2 功能近紅外血氧信號(hào)采集26
• 3.5 本章小結(jié)26-27
• 第四章 運(yùn)動(dòng)想象腦功能定位及腦機(jī)接口通道選擇27-35
• 4.1 運(yùn)動(dòng)想象相關(guān)腦電源定位及通道選擇27-30
• 4.1.1 運(yùn)動(dòng)想象相關(guān)腦電源定位27-30
• 4.1.2 運(yùn)動(dòng)想象腦電通道選擇30
• 4.2 運(yùn)動(dòng)想象相關(guān)功能近紅外源定位及通道選擇30-34
• 4.2.1 運(yùn)動(dòng)想象相關(guān)功能近紅外源定位30-33
• 4.2.2 運(yùn)動(dòng)想象功能近紅外通道選擇33-34
• 4.3 本章小結(jié)34-35
• 第五章 雙模態(tài)腦機(jī)接口系統(tǒng)特征提取35-48
• 5.1 信號(hào)預(yù)處理35-37
• 5.1.1 腦電信號(hào)去噪35
• 5.1.2 血氧信號(hào)去躁35-37
• 5.2 腦電信號(hào)特征提取37-44
• 5.2.1 現(xiàn)有的常用特征提取算法37-42
• 5.2.2 基于相空間重構(gòu)的共同空間模式少通道腦電信號(hào)特征提取算法42-43
• 5.2.3 腦電特征提取算法對(duì)比43-44
• 5.3 血氧信號(hào)特征提取44-47
• 5.3.1 血氧變化的幅值特征44-45
• 5.3.2 血氧變化的導(dǎo)數(shù)特征45-46
• 5.3.3 血氧變化的趨勢(shì)效應(yīng)46-47
• 5.3.4 血氧信號(hào)特征提取方法對(duì)比47
• 5.4 本章小結(jié)47-48
• 第六章 雙模態(tài)腦機(jī)接口系統(tǒng)的模式分類(lèi)48-61
• 6.1 數(shù)據(jù)融合方法概述48-50
• 6.2 基于支持向量機(jī)的特征層數(shù)據(jù)融合及分類(lèi)50-54
• 6.2.1 支持向量機(jī)基本原理50-52
• 6.2.2 基于支持向量機(jī)的融合及分類(lèi)52-53
• 6.2.3 特征層融合參數(shù)選擇53-54
• 6.3 基于神經(jīng)網(wǎng)絡(luò)的決策層數(shù)據(jù)融合及分類(lèi)54-59
• 6.3.1 神經(jīng)網(wǎng)絡(luò)基本原理54-57
• 6.3.2 基于神經(jīng)網(wǎng)絡(luò)的融合及分類(lèi)57-58
• 6.3.3 決策層融合參數(shù)選擇58-59
• 6.4 單模態(tài)模式分類(lèi)與雙模態(tài)模式分類(lèi)的結(jié)果比較59-60
• 6.5 本章小結(jié)60-61
• 第七章 總結(jié)與展望61-63
• 7.1 總結(jié)61
• 7.2 展望61-63
• 參考文獻(xiàn)63-68
• 致謝68-69
• 在校期間發(fā)表論文情況69

【相似文獻(xiàn)】

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 楊情;基于EEG-NIRS的少通道腦機(jī)接口研究[D];東南大學(xué);2016年

，

本文編號(hào)：1000361