本文選題：腦電圖　切入點：腦-機接口　出處：《吉林大學》2017年碩士論文

【摘要】：腦-機接口作為一種新的人機交互途徑逐漸引起人們的關注,基于運動想象BCI系統(tǒng)作為其中的一大分支也逐漸引起大家的重視,但人的腦電信號(Electroencephalogram,EEG)復雜且具有非線性非平穩(wěn)等特點,這使其難以辨識和解析,其識別效果也依賴于數(shù)據(jù)集的不同,而表現(xiàn)不穩(wěn)定。為了提高運動想象EEG信號的識別率,提供相對有效的特征提取及分類方案,本文基于腦電信號這樣的特點,介紹和研究了兩種基于二分類的運動想象腦電信號的處理、特征提取及分類方法,并開發(fā)了一套原理樣機。1.利用總體經(jīng)驗模態(tài)分解(Ensemble empirical mode decomposition,EEMD)后得到的較具影響能力的固有模態(tài)函數(shù)(Intrinsic mode functions,IMFs),利用希爾伯特變換提取邊際譜(Marginal spectrum,MS)及瞬時能譜(Instantaneous energy spectrum,IES)時頻特征,同時通過加窗的方法提取非線性動力學特征近似熵特征,利用線性判別分類器(Linear Discriminant Analysis,LDA)作為分類器,實驗對象為來自三個不同數(shù)據(jù)集的9個不同受試者,其取得平均分類識別率為82.74%,具有良好普適性;2.利用固有時間尺度分解(Intrinsic time-scale decomposition,ITD)后得到的固有旋轉分量,選擇較優(yōu)分量信號,進而提取四類有效特征包括能量,AR參數(shù)模型,數(shù)學形態(tài)學特征以及模糊近似熵,采用單因素方差檢驗作為特征選擇,利用LDA作為分類器進行分類,采用互信息(MI)及最大峭度的評價標準。實驗結果證明提出基于ITD的識別系統(tǒng)能取得較為可觀的識別率,結果優(yōu)于BCI競賽成績及近期文獻成果。在03年腦-機接口大賽數(shù)據(jù)中取得0.75的互信息,05年大賽數(shù)據(jù)中取得0.3699的平均最大峭度。且對基于ITD的特征提取方案對腦電信號處理和識別進行了解釋和分析,該方法對提高腦-機接口系統(tǒng)的分類性能及在線BCI系統(tǒng)的實現(xiàn),能提供良好的理論基礎和應用參考;3.開發(fā)的一套基于ThinkGear腦電儀意念控制手臂的在線BCI系統(tǒng)。通過采集受試者前額處腦電信號,獲取當前受試者視覺阻斷信息,使其作為控制指令,最終可以使假肢手臂完成簡單的任務動作。該系統(tǒng)的開發(fā)可為BCI技術的將來的發(fā)展及應用提供工作基礎及方向參考。
[Abstract]:As a new way of human-computer interaction, brain-computer interface (BCI) has attracted more and more attention, and BCI system based on motion imagination has attracted more and more attention. But the EEG electroencephalogramme (EGG) is complex and nonlinear and non-stationary, which makes it difficult to identify and analyze, and its recognition effect depends on the difference of data set, and its performance is unstable. In order to improve the recognition rate of motion imagination EEG signal, In this paper, based on the characteristics of EEG, two methods of processing, feature extraction and classification of motion imagination EEG based on two-classification are introduced and studied. A set of principle prototype is developed. 1. The inherent mode function of intrinsic mode function is obtained by means of total empirical mode decomposition (EMD), and the time-frequency features of marginal spectrum and instantaneous energy spectrum energy spectrum are extracted by Hilbert transform. At the same time, the approximate entropy feature of nonlinear dynamics is extracted by adding windows, and linear discriminant classifier linear Discriminant analysis is used as the classifier. Nine different subjects from three different data sets are used as experimental objects. Its average classification recognition rate is 82.74, and it has good universality. By using the inherent rotation component obtained by decomposing intrinsic time-scale decompostion (ITD), the better component signal is selected and four effective features, including the energy AR parameter model, are extracted. Mathematical morphological features and fuzzy approximate entropy are classified by single factor variance test and LDA as classifier. The experimental results show that the recognition system based on ITD can achieve considerable recognition rate. The results were superior to those of BCI competition and recent literature. Mutual information of 0.75 was obtained in the 2003 brain-computer interface contest data, and the average maximum kurtosis was 0.3699 in the 2005 contest data. The feature extraction scheme based on ITD was applied to EEG. Signal processing and recognition are interpreted and analyzed, This method can improve the classification performance of brain-computer interface system and the realization of on-line BCI system. It can provide a good theoretical basis and application reference. 3. A set of online BCI system based on the idea control arm of ThinkGear EEG instrument is developed. By collecting the EEG signals in the forehead of the subjects, we can obtain the visual blocking information of the current subjects. The development of the system can provide the working basis and direction reference for the future development and application of BCI technology.
【學位授予單位】：吉林大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：R318;TN911.7

【相似文獻】

相關期刊論文 前3條

1 劉鐵軍;徐鵬;余茜;堯德中;;運動想象的腦機制及其在運動功能康復中應用的研究進展[J];生物化學與生物物理進展;2011年04期

2 陽宏;夏斌;謝宏;王聰;肖殿云;;一種用于實現(xiàn)多命令輸出的運動想象分組策略[J];廣西師范大學學報(自然科學版);2011年03期

3 劉燕;穆振東;;運動想象機制研究[J];科技廣場;2011年01期

相關會議論文 前10條

1 楊遠濱;王薌斌;;淺談中醫(yī)意念與運動想象的比較[A];中國醫(yī)師協(xié)會第二屆康復醫(yī)學論壇、中國康復醫(yī)學會第四屆青年學術會議、北京康復醫(yī)學會第三屆會員代表大會論文集[C];2005年

2 賈子善;;運動想像的理論與應用[A];2008年浙江省物理醫(yī)學與康復學術年會暨中樞神經(jīng)功能損傷康復新進展學習班論文匯編[C];2008年

3 張爽;周鵬;熊屹;王明時;;運動想象腦電模式的動態(tài)分類[A];中國生物醫(yī)學工程進展——2007中國生物醫(yī)學工程聯(lián)合學術年會論文集（下冊）[C];2007年

4 諸強;謝琳;;基于小波分析的運動想象腦電模式特征提取與分類[A];中國生物醫(yī)學工程進展——2007中國生物醫(yī)學工程聯(lián)合學術年會論文集（下冊）[C];2007年

5 孔萬增;張艷娜;胡三清;戴國駿;張建海;魏大名;;基于運動想象的中風患者肢體康復實時控制系統(tǒng)[A];第一屆全國神經(jīng)動力學學術會議程序手冊 & 論文摘要集[C];2012年

6 徐海鷹;;運動想象療法結合運動再學習方案在腦卒中早期患者上肢功能的應用[A];中國康復醫(yī)學會運動療法分會第十一屆全國康復學術大會學術會議論文摘要匯編[C];2011年

7 李澤云;王昭君;林金生;盧攀;;運動想象聯(lián)合強制性運動療法治療腦卒中偏癱60例臨床觀察[A];中國康復醫(yī)學會腦血管病專業(yè)委員會換屆暨第十五次全國腦血管病康復學術年會、湖南省康復醫(yī)學會神經(jīng)康復專業(yè)委員會2012學術年會論文集[C];2012年

8 王艷;唐強;白震民;李娟;;頭穴叢刺與被動運動和運動想象結合對早期腦卒中患者運動功能的影響[A];中國康復醫(yī)學會第五屆全國康復治療學術會議論文集[C];2006年

9 劉佳;鄧景貴;陶希;宋紅;;運動想象療法對老年卒中偏癱患者肢體功能恢復的影響研究[A];中國康復醫(yī)學會腦血管病專業(yè)委員會換屆暨第十五次全國腦血管病康復學術年會、湖南省康復醫(yī)學會神經(jīng)康復專業(yè)委員會2012學術年會論文集[C];2012年

10 吳華;顧旭東;時美芳;吳彩虹;朱美紅;金妹;楊京輝;;虛擬現(xiàn)實技術結合運動想象療法對腦卒中患者上肢功能恢復的影響[A];2013浙江省物理醫(yī)學與康復學學術年會暨第八屆浙江省康復醫(yī)學發(fā)展論壇論文集[C];2013年

相關博士學位論文 前9條

1 張銳;運動想象腦—機接口的神經(jīng)機制與識別算法研究[D];電子科技大學;2015年

2 單海軍;基于運動想象的腦機接口通道選擇算法研究[D];浙江大學;2015年

3 王莉;應用腦功能成像技術研究腦卒中運動想象療法神經(jīng)康復機制[D];重慶大學;2015年

4 魏慶國;基于運動想象的腦—機接口分類算法的研究[D];清華大學;2006年

5 徐舫舟;基于運動想象的腦機接口相關算法研究[D];山東大學;2014年

6 閆靜;基于腦電的腦卒中患者運動想象認知過程的研究[D];上海交通大學;2012年

7 方永慧;基于運動想象腦電信號非線性特性分析的腦—機接口研究[D];重慶大學;2014年

8 周鵬;基于運動想象的腦機接口的研究[D];天津大學;2007年

9 孫莉敏;運動想象訓練促進腦卒中患者功能恢復的功能磁共振（fMRI）研究[D];復旦大學;2013年

相關碩士學位論文 前10條

1 牛小辰;康復運動中的腦肌電特征分析[D];燕山大學;2015年

2 謝立娟;針灸合并運動想象療法在腦卒中偏癱患者康復護理中的應用[D];河北醫(yī)科大學;2015年

3 孫會文;基于運動想象腦電的腦機交互模式識別方法研究[D];昆明理工大學;2015年

4 戴若夢;基于深度學習的運動想象腦電分類[D];北京理工大學;2015年

5 郭蘭錦;基于結構MRI的運動想象BCI機制研究[D];電子科技大學;2014年

6 翟紅利;基于運動想象的腦機接口的數(shù)學模型與算法研究[D];長沙理工大學;2014年

7 叢壯;運動想象結合音樂療法在卒中偏癱患者上肢康復中的應用[D];遼寧醫(yī)學院;2015年

8 康莎莎;多類運動想象腦電信號的識別及其在BCI中的應用[D];安徽大學;2016年

9 何青松;基于想象左右手運動思維腦電識別分類研究[D];北京交通大學;2016年

10 劉傳偉;運動想象腦電的特征提取和模式分類算法研究及在線驗證[D];昆明理工大學;2016年

，

本文編號：1672938