基于FPGA的脑电分析算法研究与实现

基于FPGA的脑电分析算法研究与实现

论文摘要

脑机接口是指不依赖于脑的外周神经和肌肉组成的正常传输通路,而与计算机或者其他电子设备进行通信和控制的设备。它的实质是通过脑电信号来推断人的目的或想法,进而实现人与机器之间的交流。脑机接口技术为那些身体具有严重运动障碍但是思维正常的人提供了一种语言交流与环境控制的手段,帮助他们拥有一个比较正常的生活方式。本文重点介绍了脑电信号的模式识别技术,通过对脑电信号特征的了解,选择小波变换算法对脑电信号进行特征提取,由于提取出的特征维数较高,继续使用主成分分析(PCA)算法对特征进行降维,然后对降维后的信号使用线性判别(LDA)方法进行分类。本文在深入了解小波变换算法后,首先,对小波变换Mallat分解算法分别在Matlab及QuartusⅡ上实现;其次,在Matlab上实现PCA算法及LDA算法,得到训练样本均值矩阵、找到使分类效果最好的PCA维数及其所对应的PCA投影矩阵,并找到分类时的LDA投影方向及判别阈值;再次,将Matlab里得到的训练样本均值矩阵、PCA投影矩阵和LDA投影方向矩阵的乘积固化到Rom中,在FPGA上实现PCA、LDA算法并检验设计正确性;最后,将FPGA上实现的Mallat分解算法和PCA算法、LDA算法进行融合,使整个系统做到FPGA实现。本设计硬件部分采用Altera公司的QuartusⅡ作为开发软件,采用瑞泰公司的ITETEK-EP2C35-A开发板作为硬件平台进行实现。应用的FPGA芯片型号为EP2C35F484C8,下载方式采用了JTAG方式。最后,通过对系统的调试,实现了在ITETEK-EP2C35-A开发板上对思维脑电的识别。通过实验表明,本次设计的脑电信号分类系统在硬件上的识别率为92.31%,具有一定的稳定性和实用性。

论文目录

  • 摘要
  • Abstract
  • 第1章 绪论
  • 1.1 课题研究背景及研究意义
  • 1.1.1 课题研究背景
  • 1.1.2 课题研究意义
  • 1.2 脑电信号概述
  • 1.2.1 自发脑电
  • 1.2.2 诱发脑电
  • 1.2.3 脑电信号的特点
  • 1.3 国内外研究现状
  • 1.4 本文主要研究内容
  • 1.5 本章小结
  • 第2章 相关理论介绍
  • 2.1 常用特征提取及分类方法介绍
  • 2.1.1 特征提取方法简介
  • 2.1.1.1 时域分析
  • 2.1.1.2 频域分析
  • 2.1.1.3 时频分析
  • 2.1.2 模式分类方法简介
  • 2.2 小波变换法
  • 2.2.1 连续小波变换
  • 2.2.2 离散小波变换
  • 2.2.3 多分辨率分析
  • 2.2.4 Mallat算法
  • 2.3 主成分分析法
  • 2.4 线性判别分析法
  • 2.5 本章小结
  • 第3章 系统总体设计
  • 3.1 系统功能分析
  • 3.2 系统总体结构
  • 3.2.1 拨码模块
  • 3.2.2 数据读取模块
  • 3.2.3 复位模块
  • 3.2.4 显示模块
  • 3.2.5 核心处理模块
  • 3.3 方案对比分析
  • 3.4 本章小结
  • 第4章 脑电分析算法的仿真实现
  • 4.1 数据预处理
  • 4.1.1 实验数据介绍
  • 4.1.2 数据预处理
  • 4.2 脑电信号小波处理研究
  • 4.2.1 脑电信号小波去噪研究
  • 4.2.2 基于小波变换的脑电信号特征提取
  • 4.3 基于PCA+LDA的脑电特征提取及分类方法研究
  • 4.3.1 脑电特征的PCA降维
  • 4.3.2 LDA算法过程
  • 4.3.3 LDA分类结果
  • 4.4 基于PCA+最小距离分类的脑电特征提取及分类方法研究
  • 4.4.1 最小距离分类算法过程
  • 4.4.2 最小距离分类结果
  • 4.5 本章小结
  • 第5章 脑电分析算法的FPGA实现
  • 5.1 FPGA开发流程
  • 5.2 小波变换Mallat算法的FPGA实现
  • 5.3 PCA+LDA算法的FPGA实现
  • 5.3.1 ROM的LPM建模
  • 5.3.2 PCA+LDA算法的FPGA实现
  • 5.4 整个系统的FPGA实现
  • 5.4.1 时序控制模块
  • 5.4.2 输出有效位控制模块
  • 5.4.3 输出选择模块
  • 5.4.4 系统整体设计
  • 5.5 本章小结
  • 第6章 系统测试与实现结果分析
  • 6.1 ICETEK-EP2C35-A开发板简介
  • 6.2 测试方案设计及测试结果
  • 6.2.1 软件测试
  • 6.2.1.1 测试模块设计
  • 6.2.1.2 软件测试结果
  • 6.2.2 硬件测试
  • 6.2.2.1 综合编译
  • 6.2.2.2 引脚分配
  • 6.2.2.3 下载验证
  • 6.2.2.4 硬件测试结果
  • 6.3 测试结果分析
  • 6.4 本章小结
  • 第7章 总结与展望
  • 7.1 工作总结
  • 7.2 设计中存在不足及未来工作展望
  • 参考文献
  • 致谢
  • 相关论文文献

    • [1].基于脑电信号反馈控制的双轨道小车控制器设计[J]. 电子制作 2019(23)
    • [2].酒精脑电信号降维去噪方法的研究[J]. 长春理工大学学报(自然科学版) 2019(06)
    • [3].脑电信号分析方法及其应用[J]. 中国医疗器械杂志 2020(02)
    • [4].一种基于脑电信号的眼动方向分类方法[J]. 计算机科学 2020(04)
    • [5].我国脑电信号分析方法及在工学方面的应用研究[J]. 中外企业家 2020(19)
    • [6].基于脑电信号分析的换挡布置优化[J]. 汽车实用技术 2020(17)
    • [7].基于多尺度排列熵的脑电信号分类[J]. 中国数字医学 2019(05)
    • [8].基于深度学习的癫痫脑电信号分析与预测[J]. 长春大学学报 2019(06)
    • [9].关于脑电信号的情感优化识别仿真[J]. 计算机仿真 2018(06)
    • [10].基于脑电信号的耳鸣识别算法研究[J]. 科技传播 2018(13)
    • [11].癫痫脑电信号的相关性分析[J]. 电子世界 2017(05)
    • [12].基于半监督学习的脑电信号特征提取及识别[J]. 工程科学与技术 2017(S2)
    • [13].基于脑电信号的驾驶疲劳的研究[J]. 世界最新医学信息文摘 2017(55)
    • [14].运动想象脑电信号特征的提取与分类[J]. 工业控制计算机 2015(02)
    • [15].脑电信号的最优分数阶傅里叶变换[J]. 沈阳大学学报(自然科学版) 2019(06)
    • [16].基于多特征卷积神经网路的运动想象脑电信号分析及意图识别[J]. 仪器仪表学报 2020(01)
    • [17].人脑电信号实时监测原型系统设计与实现[J]. 计算机工程与应用 2019(02)
    • [18].基于方差和深度学习的脑电信号分类算法[J]. 黑龙江工程学院学报 2017(06)
    • [19].脑电信号识别及其在机械手臂控制中的应用[J]. 生物医学工程研究 2016(04)
    • [20].少年与中年脑电信号的多尺度符号序列熵分析[J]. 北京生物医学工程 2016(06)
    • [21].基于卷积神经网络的脑电信号上肢运动意图识别[J]. 浙江大学学报(工学版) 2017(07)
    • [22].脑电信号在线采集系统设计与实现[J]. 微型机与应用 2017(22)
    • [23].便携式脑电信号采集与处理系统(英文)[J]. 航天医学与医学工程 2016(03)
    • [24].正常人中医体质分类与脑电信号相关性探讨[J]. 辽宁中医药大学学报 2014(11)
    • [25].脑电信号采集系统的设计[J]. 河北建筑工程学院学报 2014(01)
    • [26].思维脑电信号的关联维数分析[J]. 河南科技大学学报(自然科学版) 2012(01)
    • [27].一种适用于清醒动物脑电信号采集的固定装置[J]. 首都医科大学学报 2011(06)
    • [28].运动想象脑电信号识别研究[J]. 计算机工程与应用 2010(33)
    • [29].基于照片刺激下的脑电身份识别研究[J]. 江西蓝天学院学报 2011(04)
    • [30].静息脑电信号频域不对称指数特征识别算法[J]. 电子设计工程 2020(09)

    标签:;  ;  ;  ;  

    基于FPGA的脑电分析算法研究与实现
    下载Doc文档

    猜你喜欢