基于小波变换的脑机接口技术

论文摘要

脑—计算机接口（Brain Computer Interfaces,BCI）技术是不依赖于正常脑外周神经和肌肉的响应通道的人脑与计算机交流和控制通道。脑机接口的一个重要用途是为那些思维正常但存在严重运动障碍的患者提供语言交流和环境控制途径,提高其生存质量。脑机接口技术在工业、航空、军事等领域也有潜在的实用价值。本文研究了采用小波变换提取强噪声背景下慢皮层电位SCP（Slow cortical potential）的方法。根据SCP信号及背景噪声不同的时频分布特征,设计了小波时频滤波器,结合少次的累加平均,有效地提高信噪比。模式识别部分是脑机接口的系统的核心部分也是本论文的主要内容,其中包括特征提取和分类两部分。本文提出了三种特征提取方法:（1）基于小波变换的特征向量提取;（2）基于AR模型的特征向量提取;（3）基于K-L变换的特征向量提取;并对三种方法作了比较,同时,采用线性判别法fisher准则分别对以上三种特征向量进行分类。实验表明,采用小波变换法所得到的的特征向量结合基于fisher线性判别准则的识别方法来识别皮层慢电位,产生脑机接口的控制信号,相对其它几种特征提取方法,其分类效果更好,且是一种有效的并且易实现的适用于脑机接口的信号模式识别方法。综上所述,采用慢皮层实现脑机接口的方法是切实可行的.本文提出信号提取与识别算法,为最终实现及脑机接口应用奠定了理论和实验基础。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 脑机接口的基本概念及研究意义
• 1.1.1 脑机接口的基本概念
• 1.1.2 研究意义
• 1.2 脑机接口技术的研究进展
• 1.3 本论文的主要目的
• 第二章 脑机接口的系统设计
• 2.1 脑-机接口的系统组成
• 2.2 脑-机接口的分类
• 2.3 脑机接口的控制信号
• 2.4 脑电信号的记录方式
• 2.5 脑-机接口中的信号处理与模式识别技术
• 2.5.1 脑电信号的特点
• 2.5.2 脑电信号的特征提取技术
• 2.5.3 模式识别技术
• 2.6 脑-机接口技术面临的挑战
• 2.6.1 对神经科学和认知科学的挑战
• 2.6.2 BCI 进入临床应用的挑战
• 本章小结
• 第三章 脑电信号的特征提取
• 3.1 特征提取方法研究现状
• 3.2 基于小波变换特征提取
• 3.2.1 小波变换的基本原理及算法
• 3.2.2 基本小波的选取
• 3.2.3 小波尺度的选择
• 3.2.4 小波分析在信号消噪中的应用
• 3.2.5 基于小波变换的特征表示
• 3.3 基于AR 模型的特征提取
• 3.3.1 AR 模型的简介
• 3.3.2 AR 模型的Yule-Walker 方程及解法
• 3.3.3 AR 模型的阶数的选择
• 3.4 基于主成分分析的特征提取
• 3.4.1 离散K-L 展开
• 3.4.2 基于主成分分析的特征提取
• 3.5 实验数据的特征提取
• 3.5.1 数据来源
• 3.5.2 数据要求及预处理
• 3.5.3 基于小波分析的特征提取结果
• 3.5.4 基于主成分分析的特征提取结果
• 3.5.5 基于AR 模型的特征提取结果
• 本章小节
• 第四章 脑电信号分类
• 4.1 模式识别的主要方法
• 4.2 分类的概念及基本方法
• 4.3 线性识别算法
• 4.4 基于FISHER线性判别的信号分类
• 4.5 实验模式识别的结果
• 4.5.1 特征提取方法的分析与讨论
• 4.5.2 识别的结果分析及讨论
• 第五章 总结
• 5.1 论文的主要工作成果
• 5.2 今后研究工作的展望
• 5.3 结束语
• 参考文献
• 攻读硕士学位期间发表的学术论文
• 致谢