思维脑电及P300脑电的特征提取与识别

论文摘要

脑-机接口（BCI）是一种连接大脑和外部设备的实时通信系统。脑电信号（EEG）作为该系统中传输的信号,通常会混叠了多种不同的伪迹成份:如眼电、心电、肌电和工频干扰等,对微弱的P300而言,由自发脑电α波、β波等构成的背景噪声也是其中的一部分干扰信号。如何从采集到的原始脑电信号中提取有用的信息是脑电信号处理的一个重点及难点;另一个难点是寻求有效的分类特征和分类算法。近年来的研究表明,独立分量分析（ICA）是一种非常有效的盲源分离方法;小波变换在滤波方面也得到很好的应用;两者逐渐被应用到生物医学信号处理领域中。论文应用上述两种方法到思维脑电信号和P300脑电消噪上,并对运动想象脑电信号和P300脑电信号的分类进行了探讨,主要做了以下研究工作:1.在思维脑电信号消噪上,利用独立分量分析方法,先通过引入两路正交的同工频正弦信号,通过置零相应的独立分量去除原始脑电信号中的工频干扰;再将眼电（EOG）干扰从中去除,得到较干净的脑电信号。实验证明,该方法能从原始脑电信号中分离出有用的信号。2.通过计算运动想象脑电信号的二阶矩（能量）,以此作为相应信号的分类特征。根据mu脑电波的特性,当人们真实或想象进行单侧肢体运动时,如左手运动,大脑对侧主感觉运动皮层的节律幅度明显减小,而同侧主感觉运动皮层的节律幅度明显增大。二阶矩的计算相对简单,适合于BCI系统的在线分析使用,而且经对原始脑电信号动态情况分析证实,该特征能得到较高的正确分类率,当窗口长度选为448点（3.5s）时,分类正确率可达86.43%。3.结合独立分量分析和小波多分辨率分析两种算法对事件相关电位P300信号进行分析。独立分量分析能从多导脑电信号中分离出隐含其中的独立源成份,从而可以去除眼电、肌电等生理干扰信号和α波、β波等自发脑电背景噪声,再通过小波多分辨率分析,保留P300脑电所在有效频带中的信号,得到有用的P300脑电信号。实验证明,该方法能较好地消除P300中的噪声。最后,对P300脑电分类进行了探讨。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 脑-机接口的定义及其研究意义
• 1.2 脑电信号处理方法概述
• 1.3 本论文的内容安排
• 第二章 脑电信号相关基础知识
• 2.1 脑电信号的分类
• 2.1.1 自发脑电
• 2.1.2 诱发脑电
• 2.2 电极的位置及导联方式
• 第三章 独立分量分析理论及算法
• 3.1 ICA相关理论背景
• 3.1.1 ICA的模型
• 3.1.2 ICA的约束条件
• 3.1.3 独立性的度量
• 3.2 独立分量分析的算法
• 3.2.1 ICA的预处理
• 3.2.2 Fast ICA算法
• 3.2.3 Infomax算法
• 第四章 基于ICA的思维脑电信号处理
• 4.1 工频干扰的去除
• 4.2 眼电干扰的去除
• 4.3 本章小结
• 第五章 运动想象脑电特征的提取及分类
• 5.1 运动想象脑电特征的确定
• 5.2 运动想象脑电的二阶矩分析
• 5.3 本章小结
• 第六章 事件相关电位去噪的研究
• 6.1 小波变换理论背景
• 6.2 ICA在事件相关电位消噪中的应用
• 6.3 小波变换消噪
• 6.4 P300脑电的分类
• 6.5 本章小结
• 第七章 总结
• 参考文献
• 攻读硕士学位期间发表的论文
• 致谢
• 附录 EEG Process platform软件界面