模擬閱讀BCI信號(hào)空時(shí)特征提取與模式識(shí)別.pdf

1、隨著認(rèn)知科學(xué)、神經(jīng)科學(xué)、電子技術(shù)、計(jì)算機(jī)科學(xué)以及信號(hào)處理技術(shù)等的進(jìn)步,一種新的技術(shù)--腦-機(jī)接口,引起了人們的廣泛關(guān)注,為人們提供了一種新的與外界交流的途徑。
　　通常情況下,腦-機(jī)接口系統(tǒng)由信號(hào)采集、預(yù)處理、特征提取、模式識(shí)別以及外部控制這幾部分組成。其中,腦電信號(hào)的特征提取和模式識(shí)別是系統(tǒng)的核心部分,而能否有效的提取出與任務(wù)相關(guān)的信號(hào)特征影響著分類器的設(shè)計(jì)和識(shí)別性能,也是研究人員面臨的一個(gè)重大課題。
　　針對(duì)不同個(gè)體EE

2、G信號(hào)的共同點(diǎn)和差異性,本文提出利用受試者腦電信號(hào)的空間信息,使用公共空間算法自動(dòng)尋找一個(gè)最佳的空間過濾方向,針對(duì)EEG信號(hào)的非穩(wěn)定性,BCI系統(tǒng)的要求以及在線BCI系統(tǒng)的自適應(yīng)能力,在公共空間算法的基礎(chǔ)上,提出一種在線更新空間濾波模型的方法。最后,通過Matlab開發(fā)環(huán)境實(shí)現(xiàn)了基于“模擬自然閱讀”事件相關(guān)電位誘發(fā)模式誘發(fā)產(chǎn)生的腦電信號(hào)的預(yù)處理、空時(shí)特征提取、分類判別。為此,本文的研究?jī)?nèi)容從以下幾個(gè)部分來展開:
　　1)獲取基于“

3、模擬自然閱讀”事件相關(guān)電位誘發(fā)模式誘發(fā)產(chǎn)生的腦電信號(hào),建立基于該誘發(fā)模式的腦電信號(hào)數(shù)據(jù)集,并對(duì)數(shù)據(jù)集進(jìn)行了重定義參考電位、基線漂移矯正、低通濾波、降采樣以及導(dǎo)聯(lián)選擇的預(yù)處理過程。
　　2)根據(jù)“模擬自然閱讀”誘發(fā)的腦電信號(hào)特征,選取與作業(yè)任務(wù)相關(guān)時(shí)間段的EEG信號(hào),使用兩種不同目標(biāo)表達(dá)形式的公共空間算法對(duì)信號(hào)進(jìn)行空間特征提取,并對(duì)“選取的特征向量個(gè)數(shù)”參數(shù)進(jìn)行尋優(yōu)。結(jié)合分類正確率和執(zhí)行速率進(jìn)行考慮,發(fā)現(xiàn)基于Rayleigh系數(shù)表示

4、的公共空間算法更有優(yōu)勢(shì)。
　　3)在基于Rayleigh系數(shù)表示的公共空間算法的基礎(chǔ)上,結(jié)合Sherman-Morrison-Woodbury矩陣逆公式和不同的次分量提取方案對(duì)空間濾波模型進(jìn)行更新,并對(duì)更新前后的投影矩陣的各個(gè)投影分量進(jìn)行比較。
　　4)在對(duì)腦電信號(hào)進(jìn)行特征提取之后,使用核函數(shù)為多項(xiàng)式核函數(shù)的υ-SVM分類器進(jìn)行分類操作。為了得到最佳的分類精度,使用LibSVM軟件包自帶的交互驗(yàn)證功能,采用Leave-20％