基于ERD/ERS脑—机接口的特征提取和分类算法研究

论文摘要

脑-机接口（Brain-Computer Interface, BCI）是一种全新的人-机接口方式,它不依赖于人体的外周神经与肌肉系统,直接从大脑获取与外界通讯的信息。研究和发展BCI技术最主要的目的在于设计出基于脑电信号的控制装置以帮助严重的残疾患者以及严重的交流障碍患者恢复控制和交流功能。研究脑-机接口是人类对脑电活动规律不断认知的过程。本文研究的主要目的是寻找合适的信号采集与处理方法,提高信号处理的分类的准确率。研究离线脑-机接口的最终目的是建立稳定、可靠、快速的在线BCI系统,帮助瘫痪病人恢复肢体运动或实现对外界的控制。实验中的数据采集自五名健康实验者的脑电信号,针对小样本运动想象脑电的特征提取和分类算法进行了离线研究。论文分析了脑电信号产生的机理,论述了脑电信号处理的一般方法。本文主要采用了三种特征提取的方法,分别是小波系数、相对小波能量、和基于最小二乘估计法的AAR（Adaptive Auto-Regressive model, AAR）模型系数。由于小波变换的多分辨率特点,很适合提取脑电信号特征。相对小波能量能反映信号不同频带所含能量及整个信号段能量随时间变化的特征。AAR模型的系数估计相比于AR（Auto-Regressive, AR）模型,它的系数是随着时间的变化而变化的,因此可以表述非平稳信号的特征,比对信号做加窗的AR模型估计有着许多优点。实验表明,这三种特征提取方法适合脑电信号的分析。模式识别分类方法具有很多种,本文在充分考虑到信号样本数和特征维数的基础上选择了贝叶斯决策分类器和支持向量机分类器。由于现有的实验条件和数据早期的预处理等原因最终得到的分类结果不尽如人意,但仍然证明了文中所采用的方法是可取的。该研究为在线脑-机接口系统的实验研究积累了经验,奠定了基础。

论文目录

• 中文摘要
• Abstract
• 第1章 绪论
• 1.1 脑-机接口的基本内容及意义
• 1.1.1 脑-机接口的基本内容
• 1.1.2 脑-机接口的研究背景及意义
• 1.1.3 脑-机接口的应用前景
• 1.2 脑-机接口的研究现状和面临的挑战
• 1.3 论文的主要研究内容
• 第2章 脑电信号的特点及分析方法
• 2.1 脑电概述
• 2.1.1 脑电信号的基础
• 2.1.2 脑电信号的基本特征
• 2.2 相关事件去同步/相关事件同步
• 2.2.1 ERD/ERS基本原理
• 2.2.2 ERD/ERS表征方法
• 2.3 脑电信号分析方法
• 2.3.1 时域分析法
• 2.3.2 频域分析法
• 2.3.3 时频域分析法
• 2.4 本章小结
• 第3章 想象左右手运动实验方案的设计
• 3.1 脑-机接口系统的组成
• 3.2 脑电信号采集系统的设计
• 3.2.1 脑电信号的采集方式
• 3.2.2 脑电信号的采集系统
• 3.2.3 具体实验方案的设计
• 3.3 脑电信号的预处理
• 3.3.1 小波去噪的基本理论
• 3.3.2 运用小波去噪的结果
• 3.4 本章小结
• 第4章 脑电信号的特征提取
• 4.1 短时傅里叶变换
• 4.1.1 傅里叶变换内容简介
• 4.1.2 短时傅里叶变换
• 4.2 小波变换
• 4.2.1 小波变换的定义及性质
• 4.2.2 小波系数的特征提取
• 4.2.3 相对小波能量的特征提取
• 4.3 AAR模型系数的特征提取
• 4.3.1 AR模型
• 4.3.2 AAR模型算法
• 4.3.3 最小二乘法估计法的AAR模型估计
• 4.4 本章小结
• 第5章 脑-机接口分类方法的研究
• 5.1 分类方法的研究现状
• 5.2 基于贝叶斯决策理论的分类
• 5.2.1 贝叶斯分类原理
• 5.2.2 最小分类错误率的贝叶斯决策规则
• 5.2.3 最小风险的贝叶斯决策规则
• 5.2.4 贝叶斯分类算法的实现
• 5.3 基于支持向量机理论的分类
• 5.3.1 统计学习理论
• 5.3.2 支持向量机的理论基础
• 5.3.3 核函数的选择
• 5.4 分类结果与讨论
• 5.4.1 小波系数特征提取的分类结果
• 5.4.2 RWE特征提取的分类结果
• 5.4.3 AAR系数特征提取的分类结果
• 5.4.4 实验对比和结论
• 5.5 本章小结
• 第6章 总结和展望
• 6.1 本文主要研究工作的总结
• 6.2 关于BCI系统的展望
• 参考文献