【摘要】：腦-機接口技術(shù)在全球被廣泛地研究,尤其是它可以幫助癱瘓或殘疾病人重建運動控制和對外交流的能力。當(dāng)前基于視覺誘發(fā)腦電的腦-機接口系統(tǒng)技術(shù)已應(yīng)用比較廣泛。但是,對于一些視覺系統(tǒng)損傷的患者來說,視覺刺激具有局限性,所以他們使用視覺腦-機接口系統(tǒng)就非常困難。有幸的是,大多數(shù)視覺障礙患者的聽覺系統(tǒng)往往是完好的,所以研究聽覺誘發(fā)電位的腦-機接口系統(tǒng)具有潛在價值。然而,目前基于聽覺誘發(fā)電位的腦-機接口研究還處于初級階段,現(xiàn)有系統(tǒng)還存在許多缺陷。為此,設(shè)計一種新的聽覺腦-機接口范式是一件非常有意義的工作。本文針對原來常用的實驗范式采用較多的電極且誘發(fā)時間較長等問題,設(shè)計了一種基于聽覺誘發(fā)中潛伏期反應(yīng)的實驗范式。首先在兩種狀態(tài)下(注意和非注意)誘發(fā)出相應(yīng)的中潛伏期波形。然后使用db10小波變換對數(shù)據(jù)進(jìn)行6層小波分解預(yù)處理。由于濾波之后的數(shù)據(jù)仍然可能存在肌電、眼電等干擾,所以本文還會使用相干平均算法對數(shù)據(jù)再次濾波。經(jīng)過最后實驗對比,證明了所用濾波是有效的。由于預(yù)處理后的聽覺誘發(fā)電位(Auditory Evoked Potential,AEP)數(shù)據(jù)仍是高維向量,接下來使用特征提取算法對所采集的數(shù)據(jù)進(jìn)行降維處理。本文基于自回歸模型(Autoregressive Model,AR),通過Burg算法提取AR模型系數(shù)。再分別計算中潛伏期反應(yīng)的能量、方差、面積、AR模型系數(shù)和波形峰值作為特征。這為后面使用模式識別分類算法提供了基礎(chǔ)。最后,我們使用支持向量機(Support Vector Machine,SVM)和人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)分類算法分別對離線數(shù)據(jù)進(jìn)行分類識別,并統(tǒng)計了8位受試者的分類準(zhǔn)確率。實驗結(jié)果表明:在組合特征_1v,_2v,_3v下,基于ANN的分類準(zhǔn)確率比SVM的分類準(zhǔn)確率分別高出10.7%、8.7%、11.1%。其中使用組合特征_1v和ANN的分類準(zhǔn)確率最優(yōu),達(dá)到了84.7%�；谏厦娴慕Y(jié)果,可以得出本文設(shè)計的實驗范式是有效的,且對于大部分受試者的效果較理想。這為今后把此實驗范式應(yīng)用到腦機-接口中打下了堅實的基礎(chǔ)。
【圖文】：

圖 2-4 歸一化的理由歸一化算法可以用以下式表示：minmax minxy (2-18)式中，x 表示輸入，y 表示輸出。歸一化算法首先是找出該矩陣中的最值。本使ATLAB 進(jìn)行代碼的實現(xiàn)的時候，先使用 tramnmx 處理函數(shù)，再使用 premnmx 函數(shù)們輸入的原始樣本進(jìn)行歸一化處理。.3.3 支持向量機支持向量機(Support Vector Machine, SVM)是在統(tǒng)計學(xué)習(xí)理論以及結(jié)構(gòu)風(fēng)險最小基礎(chǔ)上發(fā)展起來的一種新型機器學(xué)習(xí)方法，它可以很好地處理非線性、以及維數(shù)高題[39][40]。支持向量機工作的機制就是要找到一個最優(yōu)的平面，其實這個平面就是區(qū)類樣本的分類面。并且這個分類面要準(zhǔn)確的把我們兩類不同的樣本分類。同時要求

通道為同側(cè)。聲音的重復(fù)率為1.1次/s，帶通濾波為10~ 100Hz，，數(shù)據(jù)掃描時間為500ms，迭代的數(shù)據(jù)次數(shù)為80次。4個電極將在本實驗儀器使用，其中發(fā)際中心位置是數(shù)據(jù)采集電極，左右耳乳突是左右參考電極，眉心放接地電極，實驗電極位置圖如圖3-4所示。實驗中四個電極的阻抗匹配小于等于5kΩ。圖3-4 電極位置圖3.3 小波去噪的應(yīng)用與分析Suzuki[45]等認(rèn)為 MLR 的頻譜主要集中在30~50Hz ，而 Lane 發(fā)現(xiàn) MLR 的主要頻段在30~ 200Hz。為此，本文經(jīng)過連續(xù)的調(diào)節(jié)濾波范圍的方式，確定了 MLR 的關(guān)鍵的頻段，以及聯(lián)系本實驗范式所采集到的數(shù)據(jù)各潛伏期的特點，通過計算得出中潛伏期的頻譜范圍在10~150Hz之間，再加上我們實驗數(shù)據(jù)的采樣率為 1200 Hz ,所以本文采用 6
【學(xué)位授予單位】：廣州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：R318;TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 高海娟;徐桂芝;王磊;郭苗苗;;基于雙耳分聽范式的聽覺腦機接口研究[J];河北工業(yè)大學(xué)學(xué)報;2013年06期

2 胡局新;張功杰;;基于K折交叉驗證的選擇性集成分類算法[J];科技通報;2013年12期

3 王力;張雄;;小波濾波與AR模型在腦電信號處理的應(yīng)用[J];電子器件;2012年04期

4 郭苗苗;徐桂芝;王磊;王江;;基于小波變換的聽覺腦機接口技術(shù)研究[J];中國生物醫(yī)學(xué)工程學(xué)報;2011年05期

5 樊振宇;;BP神經(jīng)網(wǎng)絡(luò)模型與學(xué)習(xí)算法[J];軟件導(dǎo)刊;2011年07期

6 張冬生;;支持向量機在分類問題中的應(yīng)用研究[J];黑龍江科技信息;2010年35期

7 石云;;Bp神經(jīng)網(wǎng)絡(luò)的Matlab實現(xiàn)[J];湘南學(xué)院學(xué)報;2010年05期

8 安美君;孫迎;陳兆學(xué);;聽覺誘發(fā)電位測量系統(tǒng)設(shè)計[J];中國醫(yī)療設(shè)備;2010年01期

9 陳海英;;AR模型功率譜估計常用算法的性能比較[J];漳州師范學(xué)院學(xué)報(自然科學(xué)版);2009年01期

10 孫迎;葉英;;聽覺誘發(fā)電位提取方法的研究與分析[J];中國生物醫(yī)學(xué)工程學(xué)報;2006年01期

相關(guān)碩士學(xué)位論文 前3條

1 高海洋;便攜式聽覺腦—機接口研究與實現(xiàn)[D];清華大學(xué);2012年

2 施少杰;基于EEG的聽覺腦—計算機接口研究[D];上海交通大學(xué);2010年

3 林相波;腦電信號特性分析和特征提取的研究[D];大連理工大學(xué);2004年

本文編號：2647683