脑—机接口中上肢想象动作侧向性识别的关键技术研究

论文摘要

脑-机接口（Brain computer Interface,BCI）研究旨在人脑和计算机或其它机电设备之间建立直接的信息交流通道,使人们仅通过思维而无须借助于外周神经与肌肉系统即可控制计算机与外部设备。BCI的技术关键在于通过信号分析、特征提取和模式识别等方法从脑电信号中识别出大脑思维操作意图,并将之转换为控制命令。上肢想象运动诱发的事件相关去同步/同步（Event Related Desynchronization/ Synchronization,ERD/ERS）信号是目前脑电BCI系统的研究热点之一,其中,通过检测ERD/ERS信号的发生和分布特征,以在上肢想象运动的诱发脑电中提取出反映大脑主观动作意识的侧向性信息,是完成使用者到BCI系统自主信息输出的关键技术。但是由于脑电信号内在的非平稳性和极易受到噪声影响等特点,在ERD/ERS信号的检测中存在信息提取效率低、识别结果不稳定、系统效率过于依赖使用者训练等问题。因此,如何准确稳定地提取出上肢想象动作诱发脑电信号中携带的侧向性信息是目前BCI研究中的重要前沿课题。本文设计并完成了不同侧向性的上肢想象动作诱发脑电实验,利用短时傅立叶变换技术分析了上肢想象动作诱发动态脑电信号的时频特性,使用Fisher可分性判据分析了二维时频平面上功率谱密度分布情况,进而提取出在侧向性信息分类识别中非常重要的特异性频段和特异性时段等参数。在诱发信号的增强处理方面,本文引入了独立分量分解技术来滤除眼电、肌电等噪声成份,并将独立分量分解和Kmeans聚类分析方法相结合以实现动作任务诱发脑电分量的提取。利用功率谱熵、小波熵、Kolmogrov复杂度和近似熵等非线性参数进一步研究上肢想象动作诱发脑电信号的动力学特性,并对其在不同侧向性任务下的变异情况进行了统计检验分析。在侧向性信息的分类识别中,本文采用基于支持向量机的回归特征筛选方法进行了特征的组合优化,使用支持向量机建立了侧向性信息分类器并使用集成学习方法对分类器进行增强。研究结果表明,上述关键技术的引入可以有效地提高上肢想象动作脑电信号中侧向性信息提取的正确率和稳定性。更为重要的是,即便对于未经训练的初试者,本文建立的方法也能取得较为满意的识别效果,从而为脑-机接口在线系统的设计和研发提供了良好的技术基础。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 脑－机接口简介
• 1.1.1 脑－机接口系统的组成与工作原理
• 1.1.2 脑－机接口的应用范围与研究意义
• 1.1.3 脑－机接口研究发展的回顾与现状
• 1.1.4 脑－机接口的分类
• 1.2 基于EEG 的脑－机接口中各种常用的信号模式
• 1.3 想象动作诱发的ERD/ERS 信号
• 1.3.1 ERD/ERS 的定义与基本特征
• 1.3.2 ERD/ERS 的频谱特点与空间分布
• 1.4 本文的主要工作与章节安排
• 第二章 基于上肢想象动作的诱发脑电实验与信号的初步分析
• 2.1 实验设计与信号采集
• 2.1.1 电极系统
• 2.1.2 任务模式
• 2.2 信号的频谱分析
• 2.2.1 频谱分析的理论基础
• 2.2.2 分析结果
• 2.3 信号的可分性分析
• 2.3.1 可分性分析的理论基础
• 2.3.2 分析结果
• 第三章 基于独立分量分解的信号处理
• 3.1 独立分量分解理论简介
• 3.1.1 ICA 问题的一般描述
• 3.1.2 独立性判据
• 3.1.3 Informax 算法
• 3.2 ICA 滤噪
• 3.2.1 脑电信号中的眼电与肌电噪声
• 3.2.2 ICA 滤噪的结果与分析
• 3.3 独立分量的聚类分析
• 3.3.1 聚类分析的理论基础
• 3.3.2 聚类结果与诱发分量提取
• 3.3.3 基于ICA 与聚类分析的空间滤波器设计
• 第四章 上肢想象动作诱发脑电的非线性动力学特征
• 4.1 基于频谱能量分布的参数分析
• 4.1.1 功率谱熵定义
• 4.1.2 小波熵定义
• 4.1.3 上肢想象动作诱发脑电的功率谱熵与小波熵分析
• 4.2 基于序列结构有序性的参数分析
• 4.2.1 Kolmogorov 复杂度定义及算法
• 4.2.2 近似熵的定义及算法
• 4.2.3 KC 与ApEn 对序列结构有序性的度量
• 4.2.4 上肢想象动作诱发脑电信号的KC 与ApEn 分析
• 4.3 非线性参数的空间分布分析与分类特征提取
• 第五章 基于支持向量机的侧向性信息识别
• 5.1 统计学习理论与支持向量机
• 5.1.1 机器学习与经验风险最小化准则
• 5.1.2 统计学习理论的核心内容
• 5.1.3 支持向量机的基本思想
• 5.1.4 支持向量机的优化求解算法
• 5.2 基于支持向量机的特征筛选方法
• 5.2.1 算法的理论基础及伪代码
• 5.2.2 特征筛选的结果与分析
• 5.3 分类器集成
• 5.3.1 Bagging 方法
• 5.3.2 Boosting 方法
• 5.3.3 分类器集成后的识别结果
• 第六章 总结与展望
• 6.1 本文工作的总结
• 6.2 未来工作的展望
• 参考文献
• 发表论文和参加科研情况说明
• 致谢