EEG时空特征分析及其在BCI中的应用

论文摘要

脑机接口（Brain Computer Interface, BCI）是在人脑和计算机或其它外部设备之间建立的一种直接的信息交互和控制通道,它是不依赖于大脑正常输出通路（外围神经系统及肌肉组织）的全新的信息交互系统。BCI正成为脑科学、生物医学及康复工程、智能信息处理等领域的一个研究热点。本文主要针对非侵入式基于脑电（EEG）信号的BCI系统进行研究,本质上就是识别特定思维任务下的EEG特征模式,但由于EEG信号非平稳性且及其微弱,使得从高噪音环境下提取可靠信号特征非常困难。本文从EEG信号特点出发,主要在实验设计,神经生理学机理,特征提取算法,以及在线BCI系统设计等方面展开研究,并侧重于时空特征提取算法的研究。本文的主要贡献和创新点体现在以下几个方面:（1）神经生理学机理研究:本文研究了运动想象与事件相关去同步/同步（ERD/ERS）的持续时间之间的关系,通过大量实验发现了重复固定动作想象任务能产生持续的ERD/ERS现象,提出了一种任务相关持续去同步/同步（TRSD/TRSS）概念。由于TRSD/TRSS比ERD/ERS优势在于不仅具有非锁相性,而且也具有非锁时性,因此更适合于异步BCI系统。（2）时空特征提取算法（TSP）:研究并采用了独立剩余量分析（IRA）算法来提取具有时序结构的独立分量,并在此基础上进一步提取最优的空间滤波模式,最后结合互信息来进行特征选择,得到最优的时序空间特征模式,该算法能够同时提取EEG信号的时序特征以及空间特征,并提高分类准确率。（3）公共空间频率模式（CSFP）:为了在寻找最优空间模式的同时考虑频率模式对运动想象的作用,我们提出了一种对空间与频率模式同时优化的算法,并且扩展到多类情形下。用连续小波时频分析方法,并设计最优化代价函数来得到最大化某类协方差而最小化另外一类协方差的空间频率模式,从而得到最具辨别能力的空间滤波与频率模式。实验数据分析表明该算法能得到较好的分类性能。（4）增量公共空间模式（ICSP）:为了适应EEG信号的非平稳性,特征提取算法必须具有可自适应性。本文设计了一种基于增量学习模式的公共空间模式（Common Spatial Pattern, CSP）算法,能够实时更新特征模式,从而更加适合于在线BCI系统。（5）非负稀疏张量分解（NTSF）与公共张量辨别分析（CTDA）:张量分解算法近年来得到了广泛的研究并应用在信号处理领域,本文在非负张量分解算法基础上,研究了新型的稀疏性限制条件,提出了一种非负张量稀疏分解算法。应用在EEG信号的特征提取中,能够同时考虑EEG信号的时域、频率、空域等多维特征。由于在类别上设置了稀疏限制,从而保证了分解后得到最具有辨别能力的张量基,并通过投影到张量基上得到最优的特征系数。另外,本文把基于矩阵操作的CSP算法扩展到张量意义上,提出了一种公共张量辨别分析算法,该算法可以同时对角化多类EEG的高维协方差张量,并得到多维度上最优公共张量模式以及最佳分类特征。（6）BCI游戏与3D虚拟环境下“脑驱车”系统:首先,设计了一种新型的BCI游戏用脑思维活动来打老鼠,采用了多种滑动窗口技术,并对不同的时间窗口长度进行了研究与分析,得到了具有快速反应能力的BCI系统,该研究为BCI开辟了一种新型应用娱乐功能。其次,针对异步BCI问题,开发了一种3D虚拟现实中意念驾驶汽车系统,利用了TRSD/TRSS的持续时间为BCI提供了一种额外的控制参数,据此可实现复杂的控制功能,如小车方向盘转动角度与小车速度的控制。另外在控制策略上研究了一种累积增量控制策略,并且具有一定的容错能力。该研究建立了一种新型、异步、自主的BCI系统,提供了更加接近自然的交互方式。总之,本文研究了大脑在特定思维活动下的EEG信号模式以及动态变化特征,进一步揭示了思维想象运动的神经学机理,提出的多种特征提取算法能够从复杂EEG信号中读取不同肢体运动想象相关的时间-空间-频率模式,最高信息传输率可达到0.55bps,提高了现有BCI系统的性能与鲁棒性;设计了新型异步、自主的实时BCI系统,能够在复杂环境下控制外部装置,为残疾人辅助设备,新型BCI以及数字娱乐提供了技术原型与理论基础。

论文目录

• 摘要
• ABSTRACT（英文摘要）
• 主要符号对照表
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 EEG信号特点与分析技术
• 1.2.1 EEG概述
• 1.2.2 EEG信号特点
• 1.2.3 EEG分析方法
• 1.3 BCI技术研究现状与进展
• 1.3.1 BCI概述
• 1.3.2 BCI类型与特点
• 1.3.3 BCI研究现状
• 1.3.3.1 BCI算法研究现状
• 1.3.3.2 系统应用研究现状
• 1.3.4 BCI面临的挑战与困难
• 1.4 本文研究内容及组织结构
• 1.4.1 本文研究目的
• 1.4.2 本文研究内容
• 1.4.3 论文组织结构
• 第二章 脑机接口中神经生理学机理
• 2.1 引言
• 2.2 诱发电位
• 2.3 瞬态/稳态视觉诱发电位（VEP,SSVEP）
• 2.4 P300诱发电位
• 2.5 慢皮层电位（Slow Cortical Potential，SCP）
• 2.6 事件相关去同步/同步（ERD/ERS）
• 2.7 任务相关持续去同步/同步（TRSD/TRSS）
• 2.8 各类型特性比较
• 2.9 本章小结
• 第三章 EEG特征提取算法研究
• 3.1 单次EEG时序空间特征提取算法研究
• 3.1.1 算法框架与流程
• 3.1.2 时序独立分量分析
• 3.1.3 cICA去噪处理
• 3.1.4 时空特征提取方法
• 3.1.4.1 IRA时序特征提取
• 3.1.4.2 CSP空间特征提取
• 3.1.5 基于互信息的特征选择方法
• 3.1.6 实验数据分析与结果
• 3.2 增量公共空间模式算法
• 3.2.1 Rayleigh系数
• 3.2.2 迭代过程
• 3.2.3 次分量提取
• 3.2.4 实验结果
• 3.3 公共空间频率模式算法研究
• 3.3.1 背景介绍
• 3.3.2 小波时频分析方法
• 3.3.3 目标函数与算法过程
• 3.3.4 公共空间频率模式意义与解释
• 3.3.5 特征投影与分类
• 3.3.6 实验分析结果与讨论
• 3.4 本章小结
• 第四章 基于张量分析的EEG特征提取
• 4.1 引言
• 4.2 张量概述
• 4.2.1 定义与运算
• 4.2.2 张量分解
• 4.2.2.1 CANDECOMP-PARAFAC分解
• 4.2.2.2 TUCKER分解
• 4.3 非负张量稀疏分解
• 4.3.1 非负矩阵分解
• 4.3.2 非负张量PARAFAC分解
• 4.3.2.1 基于均方误差的非负PARAFAC分解
• 4.3.2.2 基于K-L散度最小化的非负PARAFAC分解
• 4.3.3 稀疏性
• 4.3.4 非负张量稀疏分解
• 4.3.5 特征投影
• 4.4 公共张量辨别分析
• 4.4.1 张量代数
• 4.4.2 目标函数
• 4.4.3 迭代算法
• 4.4.4 特征投影
• 4.5 BCI中张量特征提取
• 4.5.1 张量特征提取框架
• 4.5.2 EEG信号张量表示
• 4.5.3 特征基优化与特征投影
• 4.5.3.1 非负张量稀疏分解的特征提取方法
• 4.5.3.2 公共张量辨别分析的特征提取方法
• 4.5.4 支持向量机分类
• 4.6 数据分析结果与讨论
• 4.7 本章小结
• 第五章 在线BCI系统设计与实现
• 5.1 引言
• 5.2 BCI系统平台
• 5.2.1 EEG采集设备
• 5.2.2 系统总体框架
• 5.2.3 实验设置
• 5.2.4 工作模式
• 5.2.5 同步BCI与异步BCI
• 5.2.6 系统创新策略
• 5.2.7 系统功能与参数设置
• 5.3 基于同步BCI的打老鼠游戏
• 5.3.1 快速盲源分离在线去噪声
• 5.3.2 特征提取与分类方法
• 5.3.3 在线游戏过程
• 5.3.4 在线性能分析与讨论
• 5.4 三维虚拟现实中“脑驱车”系统
• 5.4.1 异步BCI工作模式
• 5.4.2 系统场景
• 5.4.3 控制量与控制方法
• 5.4.4 增量控制策略
• 5.4.4.1 方向盘角度控制
• 5.4.4.2 小车速度控制
• 5.4.5 虚拟现实中控制策略
• 5.4.6 在线实验结果与性能分析
• 5.5 小结
• 第六章 总结与展望
• 6.1 本文主要工作及创新点
• 6.2 工作展望
• 参考文献
• 致谢
• 个人简历、在学期间的研究成果及发表的论文