基于自发脑电信号的脑—机接口的研究

论文摘要

基于脑电信号（EEG）的脑-机接口（BCI）是当今BCI研究的主流。其中利用自发脑电信号,通过识别特定意识任务实现控制的BCI系统不需要外部刺激装置和长时间的训练,具有很大的应用前景和价值。本论文主要从EEG信号的预处理,特征提取方法和分类器的设计等方面对此类BCI系统进行了较为深入的研究,主要工作和成果有:采用有效的盲源分离（BSS）方法分别对EEG信号中的工频、眼电（EOG）和肌电（EMG）伪迹进行了分离和去除。独立分量分析（ICA）能够取得较为理想的去除EOG伪迹的效果,得到了广泛的应用,因此在本文中也采用了这种方法去除EEG中的EOG伪迹。此外,工频噪声也利用了ICA方法来去除。在直接利用ICA无法分离出6导EEG信号中的工频噪声的情况下,人为构造了两路工频信号,引入ICA的输入作为参考信号,从而成功的分离和去除了工频噪声。在以往的基于意识任务BCI的研究中,均没有对EMG伪迹进行处理,本文提出了一种基于典型相关分析（CCA）和低通滤波的BSS方法来分离和去除EMG伪迹。采集到的EEG信号可以看作是不相关的EEG源和EMG伪迹源的瞬时混合,因此,CCA能够将真实的EEG信号和EMG伪迹分离开。相较于EEG而言,自相关性较弱的EMG伪迹出现在最小自相关的CCA分量中。但是这些分量也包含了EEG信息,因此在对这些分量进行低通滤波处理以后,再重构出EEG信号。提出的这种新方法在去除EMG伪迹的同时能够有效的保留EEG信息,是BCI系统中一种更为理想的去除EMG伪迹的EEG信号预处理方法。本文研究了时-频特征提取方法和时-频-空特征提取方法。频域分析方法提取EEG的节律特征及频谱特征是目前最主要的方法,然而这种方法是建立在被分析的EEG信号是平稳的假设上。时频分析方法是适合于处理EEG信号这种典型非平稳信号的有效工具。本文将线性时频变换和双线性时频变换应用于不同意识任务EEG信号的特征提取。短时傅里叶变换（STFT）虽然不存在交叉项干扰,但是其时频聚集性不好。作者将STFT与AR模型相结合,在STFT的求解过程中采用AR谱代替傅里叶谱,这种改进的STFT获得了比较好的时频聚集性,能够更有效的提取EEG特征。Wigner-Ville分布（WVD）虽然时频聚集性好,但又存在交叉项干扰。平滑伪Wigner-Ville分布（SPWVD）是WVD的一种改进,达到了抑制交叉项的目的,因此能够更准确的提取EEG特征。时-频-空特征提取方法考虑了从多通道EEG信号（多变量EEG信号）提取空域特征,是一种提取EEG特征的新思路。由于直接对多变量EEG信号处理时,计算量大,得到的特征数多,该方法首先对多变量信号进行空域解相关处理,从而降低了计算量和特征数,提高了这种方法的实用性。设计了两种分类器:基于Fisher辨别分析（FDA）和马氏距离（MD）的分类器和基于最小二乘支持向量机（LSSVM）的分类器。FDA是一类较为简单的线性判别函数,该线性分类器容易实现,计算量小,能够满足BCI系统对实时性的要求。基于结构风险最小化原则的SVM是近些年来发展起来的一种新型模式识别方法,克服了传统方法的过学习、高维数、局部最小等问题,具有很强的推广能力,但是其计算速度较慢。因此,本文利用了SVM的改进方法LSSVM来设计分类器,LSSVM将SVM中的二次规划问题转化为线性方程求解,提高了计算速度,更适合于在BCI系统中充当分类器。此外,本文也对利用SVM进行多分类的方法进行了研究,设计了基于LSSVM的多分类器。本文设计了三组实验,每组实验均对8个受试者的意识任务进行了二分类和多分类。第一组实验用于验证本文所给出的特征提取方法的有效性,并比较了它们的性能。采用基于AR模型的STFT和SPWVD的特征提取方法取得了最好的分类效果。不过基于AR模型的STFT更加简单,因此是一种更具优势的方法。第二组实验对设计的两种分类器进行了验证和比较。在二分类时,LSSVM分类器取得了更好的分类效果,而在三分类,四分类和五分类时,FDA+MD分类器在正确率和计算速度上都更具优势。本论文提出了一个新的观点,认为头皮方式采集的EEG信号的高频成分也包含了与意识状态相关的信息,增加从高频范围提取的EEG特征有助于提高基于意识任务BCI系统的分类效果。本文在实验三中对这个观点进行了验证,将包含高频带（40-100Hz）特征的分类结果与没有包含高频带特征的分类结果进行了比较,实验结果显示包含高频带特征的分类正确率显著高于不包含高频带特征的分类正确率,证明了提出的这个新的观点是正确的。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 脑-机接口技术概述
• 1.1.1 BCI 系统的组成
• 1.1.2 BCI 发展现状
• 1.2 基于意识任务的BCI 的研究现状
• 1.3 本论文的主要内容和创新点
• 1.3.1 本论文的主要内容
• 1.3.2 本论文的创新点
• 2 研究基础
• 2.1 脑电信号
• 2.1.1 脑电信号的基本特征
• 2.1.2 脑电信号的分类
• 2.2 大脑的功能不对称性
• 2.3 功能不对称性的EEG 表现
• 2.3 脑电信号的采集
• 2.4 小结
• 3 脑电信号的预处理
• 3.1 工频、EOG 和EMG 伪迹的特征和常用去除方法
• 3.2 独立分量分析（Independent component analysis,ICA）去除工频干扰和 EOG 伪迹
• 3.2.1 ICA 的基本理论
• 3.2.2 ICA 去噪
• 3.3 基于典型相关分析（Canonical correlation analysis,CCA）和低通滤波的 BSS 方法去除 EMG 伪迹
• 3.3.1 CCA 的基本理论
• 3.3.2 基于CCA 和低通滤波的盲源分离方法去除EEG 中的EMG 伪迹
• 3.4 小结
• 4 脑－机接口特征提取方法研究
• 4.1 概述
• 4.2 时-频特征提取方法
• 4.2.1 短时傅里叶变换
• 4.2.2 基于AR 模型的STFT
• 4.2.3 Wigner-Ville 分布
• 4.2.4 WVD 的几种变型
• 4.2.5 模糊函数（Ambiguity Function，AF）
• 4.3 时-频-空特征提取方法
• 4.3.1 多变量信号的时-频-空表示
• 4.3.2 空域解相关
• 4.3.3 构造特征向量
• 4.4 小结
• 5 脑－机接口分类方法研究
• 5.1 概述
• 5.2 马氏距离（Mahalanobis distance,MD）
• 5.3 Fisher 判别分析（Fisher discriminant analysisi,FDA）
• 5.4 支持向量机
• 5.4.1 SVM
• 5.4.2 最小二乘支持向量机
• SVM 的多类分类方法'>5.4.3 基于LS_SVM 的多类分类方法
• 5.5 小结
• 6 实验研究
• 6.1 实验设计
• 6.2 实验数据
• 6.3 实验结果
• 6.3.1 实验一
• 6.3.2 实验二
• 6.3.3 实验三
• 6.4 讨论
• 7 总结与展望
• 7.1 总结
• 7.2 展望
• 致谢
• 参考文献
• 附录
• A. 作者在攻读博士学位期间发表的学术论文
• B. 作者在攻读博士学位期间参与的科研项目