【摘要】：腦機接口通過供額外的信號通路,實現(xiàn)大腦直接控制外部設(shè)備,在殘疾人功能輔助與康復(fù)等方面有著廣闊的應(yīng)用前景。在運動想象腦機接口中,受試者通過想象部分肢體的運動產(chǎn)生多種模式的腦電信號,系統(tǒng)分析受試者的腦電解析控制指令,實現(xiàn)對外部設(shè)備的控制,其中的核心技術(shù)是對運動想象腦電信號的解碼。然而,腦電信號的低信噪比、非平穩(wěn)性以及個體差異性是運動想象腦機接口從實驗室走向商業(yè)應(yīng)用的巨大障礙。因此,尋求高效的解碼算法、降低訓(xùn)練成本是該領(lǐng)域長期的研究熱點。近年來,有學(xué)者出使用黎曼幾何的工具對運動想象腦電信號的協(xié)方差矩陣進行建模和分析,取得了良好的效果,為解碼腦電信號供了新工具。在實際應(yīng)用中,黎曼幾何方法常常面臨維度災(zāi)難的問題,往往需要設(shè)計降維算法。本文基于黎曼幾何工具,出了一種新的解碼運動想象腦電信號的算法,利用流形學(xué)習(xí)的等距映射降維算法對局部黎曼切空間投影的結(jié)果進行降維,然后使用局部線性嵌入算法獲取全局坐標(biāo)。該算法改善了直接使用黎曼切空間進行投影帶來的邊緣樣本分布扭曲的問題,并實現(xiàn)了降維操作,在國際腦機接口競賽數(shù)據(jù)上表現(xiàn)優(yōu)異。同時,針對運動想象腦電信號非平穩(wěn)性和個體差異大導(dǎo)致模型難以訓(xùn)練的問題,本文結(jié)合黎曼幾何與降維方法,設(shè)計了一種新的遷移學(xué)習(xí)算法應(yīng)用于運動想象腦機接口系統(tǒng)。該方法利用黎曼切空間投影法分別將不同受試者的樣本集投影到相似的特征空間上,并拉直成向量,然后對所有樣本使用多尺度放縮算法進行降維,并在低維歐氏空間上使用成熟的線性分類器進行訓(xùn)練和分類。實驗證實,該算法在國際腦機接口競賽數(shù)據(jù)集的表現(xiàn)優(yōu)于現(xiàn)有黎曼幾何方法。最后本文根據(jù)運動想象腦電信號在黎曼流形上的分布討論了信號的非平穩(wěn)性和個體差異特性對結(jié)果的影響。
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP181;O186.12;R318
【圖文】：

圖 1-1 腦機接口結(jié)構(gòu)圖[1]。接口的分類號獲取的方式不同，腦機接口可以劃分為侵入式腦機接口、部分侵入入式腦機接口。機接口式腦機接口在用戶的腦灰質(zhì)內(nèi)安裝傳感器，獲取的腦信號質(zhì)量最高，視覺。但缺點是外來元器件會引發(fā)人體的免疫反應(yīng)，隨時間的推移，元器件，信號質(zhì)量會衰退甚至信號消失。式腦機接口侵入式腦機接口的傳感器安裝在腦皮層上，硬腦膜下，不進入灰質(zhì)。

圖 1-2 2008 年國際 BCI 競賽數(shù)據(jù)集信號采集時序圖[11]。2008 年國際 BCI 競賽數(shù)據(jù)集 Data set 2a 數(shù)據(jù)集包含 9 個受試者，每個受試者被要求完成 4 種運動想象任務(wù)，分別是想象左右手、腳和舌頭的運動，因此是個多分類任務(wù)。受試者在實驗時坐在舒適的座椅上面對屏幕，戴上一個有 22 個導(dǎo)聯(lián)電極的電極帽采集腦電信號。在聽到蜂鳴聲后表示一次實驗開始， = 0s屏幕會顯示出一個固定的十字標(biāo)識，表示實驗正在進行。 = 2s的時刻屏幕上會 示受試者接下來要做的運動想象任務(wù)，持續(xù) 1.25 秒�？吹� 示后受試者則開始進行運動想象任務(wù)，直至 = 6s時刻十字標(biāo)識消失，實驗結(jié)束，受試者進行短暫的休息，再進行實驗。信號采集的時序圖可以參考圖 1-2。受試者分兩次做兩組實驗，每組實驗有 288 個運動想象任務(wù)，總共 576 個任務(wù)，每組實驗中各種不同類的運動想象任務(wù)數(shù)量均相同，即每組實驗的 4 種運動想象任務(wù)均進行 72 次。2005 年的競賽數(shù)據(jù)采集過程和 2008 年的大致相當(dāng)，區(qū)別在于 2005 年的數(shù)據(jù)集有 5

圖 3-1 LIE 方法圖示。3.1.2 時間復(fù)雜度分析黎曼幾何分析解碼腦電信號一直面臨著計算量大的缺陷。在常見的算法中，如黎曼流形上的聚類算法 MDRM，主要計算量在于尋找同類樣本子集的黎曼中心點。迭代求解黎曼中心點時每次都要進行一次黎曼切空間投影，根據(jù)公式（2-11）可知，黎曼切空間投影的時間復(fù)雜度是 ( )， 是信道數(shù)目，也就是信號采集系統(tǒng)的導(dǎo)聯(lián)電極數(shù)， 是樣本集中的樣本數(shù)量。MDRM 算法要預(yù)測新樣本時，需要計算該樣本到各類別的樣本子集的黎曼中心點的測地距離，由公式（2-7）可知，矩陣的求逆，矩陣乘法和特征值分解的時間復(fù)雜度均為 ( )，因此總體時間復(fù)雜度也為 ( )。而在 LIE 算法中，由于需要遍歷每個樣本，尋找其鄰域再做局部黎曼切空間投影，這部分的復(fù)雜度是 ( )。因此，包括 LIE 算法在內(nèi)的黎曼幾何方法不適用于多導(dǎo)聯(lián)電極的采集系統(tǒng)，

【參考文獻】

相關(guān)博士學(xué)位論文 前2條

1 謝小峰;基于協(xié)方差特征的EEG解碼及其在運動想象腦機接口系統(tǒng)的應(yīng)用研究[D];華南理工大學(xué);2018年

2 齊菲菲;基于正則化的腦電信號時空分析方法研究[D];華南理工大學(xué);2017年

本文編號：2761795