基于时间、频率和空间域的自发脑电信号提取

论文摘要

脑一机接口为人们提供了一个全新的与外界交流的通道。近几年来,基于脑电信号的脑-机接口问题已成为一个研究热点,然而脑电信号本身非常微弱,容易受到外界干扰的影响,且信号变换因人而异,这些问题都严重阻碍了该领域的进一步发展。论文的主要目的是通过对各种脑电信号数据识别,找到一个更加准确、合理的实验模型来分析脑电信号。论文基于脑神经生理学特征,依据人体自发脑电位与思维活动的关联性,主要针对当前脑-机接口应用中实际存在的一些问题进行研究,并对一些算法改进。论文进行了如下几个方面的研究:首先,论文对常用的一些空间滤波器算法进行对比研究。重点分析了它们降低头骨影响,更好地突出神经元活动特征的能力。针对两种主要的空间滤波算法——主成分分析法和盲源分离方法,进行了深入的研究,通过对比它们消除脑电噪音的程度,指出了各自优缺点;然后,论文结合拉普拉斯滤波算法和盲源分离方法,实现了HMM-AR模型在脑电频率变换过程中的状态监测,提出了脑-机接口实验数据的时间动态分割算法;再次,论文结合神经生理学知识,对两类任务分离问题的脑-机接口竞争数据进行了详细的研究,利用公共空间模型算法和支持向量机分离器相结合,实现了机器自动选择特定的空间滤波器,并有效的实现了两类任务分离。从而证明了基于支持向量机的公共空间模型算法在两类任务分离问题上的有效性。然后对公共空间模型算法进行改进,提出了多类任务识别的公共空间模型算法,到达了很好的效果。最后,为了提高脑状态分类正确率,论文重点提出了时间—频率—空间滤波器算法。论文对公共空间滤波器的构造进行了改进,提出了时变公共空间滤波算法,结合脑电信号频率特征,论文进一步提出了时间—频率—空间滤波器算法,该方法通过大量的实验数据证明,具有明显提高分类识别率的作用。本论文的特色在于针对当前脑-机接口存在的一系列问题提出解决方案,为脑-机接口系统真正用于人们实际生活奠定基础。其中的创新点如下:（1）根据μ和β波的特性,论文结合拉普拉斯滤波算法、独立成分分析算法和HMM-AR算法实现了脑-机接口数据的时域分析。几种方法的结合能够识别不同状态下,脑电频率的变换,实现自动区分“空闲”和“忙碌”两种脑电信号状态。（2）针对多任务识别问题,对公共空间模型算法进行了改进,提出了一种多类分离的算法。以竞争数据包为数据源证明了提出的多类分离算法的正确性、可行性,该算法不但能够提高总的信息传输率,而且能够保证较高的分类正确率。（3）为了提高分类识别率,提出了一种新的公共空间算法——时变空间滤波算法。该算法中,公共空间滤波器的值不再是常数,而将随着时间变化而变化,它能够有效的提高任务的识别率。（4）针对减少训练时间,提高分类稳定性的问题,论文提出了时间—频率—空间滤波器算法,这个算法是在时变空间滤波算法基础之上,考虑了频率的特点,通过简单连接输入信号,并进行延时来实现。实验结果证明了该方法的实用性。总之,通过以上的工作,论文给出了一整套自发脑电信号的提取算法,包括噪音消除、想象运动开始点的识别、脑电信号特征提取以及特征分类。论文研究成果经过国际公开数据检验,取得了很好的效果。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第一章 绪论
• 1.1 脑-机接口的研究目的
• 1.1.1 脑-机接口概述
• 1.1.2 脑-机接口系统组成与工作原理
• 1.1.3 脑-机接口的重要意义
• 1.1.4 目前国内外脑-机接口的研究状况和存在主要问题
• 1.2 脑-机接口涉及到的方法
• 1.2.1 大脑活动测量方法
• 1.2.2 在线和离线研究方法
• 1.3 脑电信号的分析
• 1.3.1 脑电简介
• 1.3.2 脑电的主要频率成份和特点
• 1.4 基于脑电的脑-机接口研究方法
• 1.4.1 运动想象及其神经生理学基础
• 1.4.2 脑-机接口研究的主要方法
• 1.4.3 数据来源
• 1.5 本文的研究内容
• 1.5.1 本文的研究目标
• 1.5.2 本文的内容安排
• 1.5.3 论文的创新点
• 第二章 脑电信号的预处理方法
• 2.1 脑电预处理中常用空间滤波
• 2.2 主成分分析（PCA）法
• 2.2.1 主分量的求解过程
• 2.2.2 PCA处理算法——协方差特征向量
• 2.2.3 PCA处理算法—奇异值分解（SVD）
• 2.2.4 SVD和协方差法之间的关系
• 2.2.5 运用PCA进行脑电噪音消除
• 2.3 独立成分分离
• 2.3.1 盲源信号分离的原理
• 2.3.2 测量信号白化
• 2.3.3 联合近似对角化（JADE）算法原理
• 2.3.4 盲源信号分离算法剔除脑电信号中的眼电噪音
• 2.4 PCA方法与ICA方法的比较
• 第三章 HMM-AR对BCI数据的时域分析
• 3.1 HMM模型介绍
• 3.1.1 HMM模型
• 3.1.2 HMM基本算法
• 3.1.3 算法下溢问题的处理
• 3.2 HMM-AR模型
• 3.2.1 Kalman-AR模型
• 3.2.2 参数估计
• 3.2.3 模型初始化方法
• 3.2.4 HMM-AR算法
• 3.2.5 HMM-AR模型状态监测方法
• 3.3 模拟实验
• 3.4 基于HMM-AR区分运动相关和非运动脑电信号
• 3.4.1 运动相关脑电信号的一般特性
• 3.4.2 EEG手部运动数据测试
• 3.5 讨论
• 第四章 公共空间模型算法在BCI中应用
• 4.1 特征提取
• 4.2 公共空间模型算法
• 4.2.1 公共空间模型算法
• 4.2.2 公共空间模型评价
• 4.3 公共空间模型空间分解数据
• 4.3.1 第一个测试包的公共空间分解
• 4.3.2 第二个测试包的公共空间分解
• 4.3.3 各种情况公共空间模型的讨论
• 4.4 分类器的设计
• 4.4.1 线性判别分析（Linear Discriminant Analysis LOA）
• 4.4.2 支持向量机（Support Vector Machine）
• 4.4.3 线性与非线性分类器
• 4.4.4 鲁棒性
• 4.5 BCI Competition 2003 data set Ⅳ数据处理
• 4.5.1 实验数据描述
• 4.5.2 特征提取
• 4.5.3 分类结果讨论
• 4.6 BCI Competition Ⅲ data set Ⅰ实验数据处理
• 4.6.1 实验数据描述和数据预处理
• 4.6.2 特征提取
• 4.6.3 分类结果和讨论
• 第五章 公共空间模型算法的改进
• 5.1 多类任务分离的神经生理学背景
• 5.2 多类分离技术
• 5.2.1 多类分离理论
• 5.2.2 方法论
• 5.2.3 实验模拟
• 5.3 多类任务分离算法在BCI中的应用
• 5.3.1 数据描述
• 5.3.2 分类方法
• 5.3.3 分类结果
• 5.4 时变公共空间滤波算法
• 5.4.1 时变公共空间滤波器
• 5.4.2 最优算法计算
• 5.5 传统公共空间模型算法与时变公共空间滤波算法比较
• 5.5.1 实验设计
• 5.5.2 参数选择
• 5.5.3 实验结果
• 第六章 时间-频率-空间滤波器以及应用
• 6.1 频率分析的神经生理学背景
• 6.2 公共空间自适应滤波模型算法研究
• 6.2.1 非线性时间序列分析
• 6.2.2 公共空间自适应滤波模型算法
• 6.2.3 公共空间自适应滤波模型在BCI中的应用
• 6.2.4 实验小结
• 6.3 时间-频率-空间滤波器
• 6.3.1 方法论
• 6.3.2 时间-频率-空间滤波器在BCI中的应用
• 第七章 总结与展望
• 7.1 工作总结
• 7.2 后续研究工作
• 参考文献
• 致谢
• 攻读学位期间主要的研究成果