论文摘要
脑-机接口（brain-computer interface, BCI）是在人脑和计算机或其他电子设备之间建立的一种直接的信息交流和控制通道,它在医疗、康复、娱乐乃至军事领域有广泛的应用前景。基于视觉诱发的P300是一种常见的用于脑-机接口系统的脑电信号。脑电信号作为一种复杂的非平稳随机信号,传统P300脑电信号处理方法存在叠加次数多,分类准确度低等。本文对P300脑电信号处理技术进行研究,主要内容如下：本文首先使用传统P300脑电处理算法对脑电数据处理。采用Butterworth数字滤波器进行低通滤波,利用最优加权平均叠加算法去除随机噪声。从中挑选相对较为标准的P300波形作为匹配用模板,将预处理后的脑电信号波形与标准模板做相关度的分析,根据它们互相关系数大小实现对字符分类,分类正确率仅为64.52%。为提高字符分类正确率,在原有模板匹配处理P300脑电信号分类的基础上对其进行改进,最高分类正确率达到77.42%。由于传统模板匹配对P300脑电信号分类只利用了64导联数据中的其中1导联数据,导致字符分类正确率低。为充分利用多导联数据分析进一步提高字符分类正确率,本文设计了一种利用小波变换与支持向量机相结合方法对P300脑电信号的特征提取和分类。首先使用最优加权平均叠加算法,增加P300脑电信号的信噪比。利用小波分解提取P300脑电信号特征,同时起到了低通滤波与数据压缩的作用,将对P300识别影响较大导10联数作为字符分类输入,可有效提取P300脑电特征。P300脑电数据分类采用支持向量机方法,以少样本训练可以达到比较高P300脑电分类正确率。通过RBF核函数进行交叉验证计算出最佳参数训练模型,MATLAB以及LIBSVM工具仿真验证,字符预测正确率达到83.87%,明显优于传统P300脑电处理方法。本文结合小波变换与支持向量机对P300脑电信号的特征提取和分类,与传统的模板匹配算法进行相比,能有效提高P300脑电信号分类的准确率,为实现基于视觉诱发电位P300的实时BCI系统打下了的基础。