复合下肢想象动作电位的特征识别新技术研究

论文摘要

复合下肢想象动作电位是由于复合下肢动作准备或规划时诱发的内源性脑电信号,反映了在大脑具备的一类较为复杂的下肢惯常运动思维状态下,皮层各感觉运动功能区相互整合和协同关系的主观运动意识,可作为深层次探索大脑对行走、坐站姿转换等复杂行为学认知功能的“窗口”,在脑-机接口、康复工程等领域也具有不可替代的重要性。相对于各类简单肢体想象动作电位,复合下肢想象动作电位涉及更多的感觉运动皮层功能区,模式复杂,在特征分析时不仅需要更高的空间分辨率,并且需要恰当的特征描述方法,以期更好的反映想象动作电位的实际特性。独立分量分析是提高脑电信号空间分辨率的常用方法,但是传统的独立分量分析方法在脑电信号分析时,假设脑电的传播过程是简单线性和瞬时混合过程,忽略了脑电传播的时空动态性,制约了空间分辨率的进一步提高。在特征描述方法方面,经验模态分解方法（Empirical Mode Decomposition, EMD）首次实现了以信号自身特性自适应地构造出反映信号中各成份的基函数,从信号的振荡模式的角度给出了信号成份定义的新概念,且适应于非线性非平稳信号,带来了信号处理方法的新的革命。但采用该方法对复杂信号分析时,容易产生模态混叠现象,目前该方法的理论研究正在不断完善中。本研究针对3类关键复合下肢想象动作（想象站起,想象左手与同侧单腿协同动作,想象右手与同侧单腿协同动作）诱发的想象动作电位,以脑电信号传播的真实模型-卷积混合模型为基础,建立了小波包独立分量分析进行想象动作电位空间滤波的方法,满足了复合下肢想象动作电位研究的空间分辨率要求;提出改进的EMD多分辨率分析方法进行想象动作电位的特征分析,通过对分类筛选的特征时间尺度分别执行EMD算法,避免了EMD算法直接应用时带来的模态混叠问题;提出以想象动作电位的alpha节律与beta节律的脑电特性构造基函数来描述信号特征成份的新方法,实现了以想象动作电位的特征振荡模式的角度提取事件相关去同步/同步特征的方法;从特征振荡模式的相位同步化特征的角度,探索了3类复合下肢想象动作时感觉运动功能区之间的整合和协作关系。最后通过设计基于支持向量机的和特征结合的多分类算法,实现了3类复合下肢想象动作电位的识别和分类。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 绪论
• 1.1 脑认知研究的目的及方法
• 1.2 基于脑电信号的脑认知研究
• 1.3 复合下肢想象动作电位的研究意义
• 1.4 本文的主要工作及章节安排
• 第二章 复合下肢想象动作电位的生理基础及诱发实验
• 2.1 脑电的产生机理及其主要节律
• 2.2 想象动作电位的事件相关去同步和同步化特征
• 2.2.1 事件相关去同步和同步化的定义
• 2.2.2 事件相关去同步和同步化的神经生理学意义
• 2.2.3 复合下肢想象动作电位的事件相关去同步和同步化特征
• 2.3 想象动作电位的相位同步化特征
• 2.3.1 想象动作电位的同步化特征概述
• 2.3.2 同步化分析方法
• 2.4 脑电信号采集和空间滤波预处理
• 2.4.1 电极系统与任务模式
• 2.4.2 空间滤波预处理
• 2.5 本章小结
• 第三章 基于小波包独立分量分析的想象动作电位分析
• 3.1 瞬时线性混合模型下的独立分量分析理论
• 3.1.1 独立分量分析的起源
• 3.1.2 独立分量分析及其实质
• 3.1.3 信息论基础
• 3.1.4 信息论框架下的独立性判据
• 3.1.5 扩展最大熵算法
• 3.2 卷积混合模型下的独立分量分析
• 3.2.1 卷积混合模型描述
• 3.2.2 基于频域解卷的独立分量分析
• 3.3 基于小波包独立分量分析的想象动作电位空间滤波
• 3.3.1 小波包独立分量分析的流程
• 3.3.2 想象站起动作电位的小波包独立分量分析的结果
• 3.4 本章小结
• 第四章 基于经验模态分解的复合下肢想象动作电位的特征振荡模式分析
• 4.1 经验模态分解方法的起源，发展和应用现状
• 4.1.1 经验模态方法的提出
• 4.1.2 经验模态分解算法的发展和应用现状
• 4.2 经验模态分解算法的原理
• 4.2.1 瞬时频率
• 4.2.2 特征时间尺度
• 4.2.3 固有模态函数
• 4.2.4 经验模态分解
• 4.2.5 经验模态分解的完备性和正交性
• 4.3 复合下肢想象动作电位的特征振荡模式分析
• 4.3.1 EMD方法的引入和问题
• 4.3.2 基于多分辨率分析的EMD方法
• 4.3.3 基于特征固有模态函数的频域能量特征分析
• 4.3.4 基于特征固有模态函数的时域能量特征分析
• 4.3.5 基于特征固有模态函数的相位同步化特征分析
• 4.4 本章小结
• 第五章 基于支持向量机的复合下肢想象动作电位的分类识别
• 5.1 统计学习理论
• 5.1.1 机器学习的基本问题和方法
• 5.1.2 统计学习理论的核心思想
• 5.2 支持向量机
• 5.2.1 线性支持向量机
• 5.2.2 非线性支持向量机
• 5.3 基于支持向量机的多分类想象动作的分类器设计
• 5.3.1 特征结合方法与分类器设计
• 5.3.2 多分类想象运动的分类器设计
• 5.3.3 多分类想象运动的识别结果
• 5.4 本章小结
• 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
• 发表论文和科研情况说明
• 致谢