基于多種運動想象腦電信號識別的虛擬現實系統控制方法研究.pdf

1、腦-機接口(Brain Computer Interface，BCI)是一種人工搭建的不依賴于大腦外周神經細胞與肌肉組織的獨立信息傳輸渠道，大腦可利用該通道實現與外部設備的信息交互。腦電信號（Electroencephalogram，EEG）是由大腦皮層大量神經細胞突觸后電位同步綜合而形成的生理電信號，能有效地反應大腦思維狀態(tài)和神經元活動情況?；贓EG信號的BCI系統具有無創(chuàng)性與直觀性的特點、重要的研究價值以及良好的應用前景，已成為腦

2、-機接口研究領域一個重要的分支。
　　在國家自然科學基金項目（61172134）的支持下，本文按照課題“基于多種運動想象腦電信號識別的虛擬現實系統控制方法研究”的要求，從腦電信號產生的機理與特點出發(fā)，對腦電信號的采集、預處理、特征提取、模式識別方法做了系統的分析和研究，同時結合虛擬現實技術，設計并實現了一個在線的基于四類運動想象腦電控制的虛擬現實BCI系統，利用該BCI系統完成了腦電信號控制虛擬場景運動及方向的實驗，為腦-機接口系

3、統在實際中的應用提供理論與技術支撐。本文研究的主要內容以及創(chuàng)新點如下：
　　在腦電信號消噪方面，針對傳統軟閾值函數在腦電去噪過程中會丟失部分重要細節(jié)信息的問題，提出了一種基于雙變量收縮閾值函數與HD離散小波相結合的消噪方法。首先采用HD離散小波對信號進行分解，再運用雙變量閾值函數對系數作收縮處理。仿真結果表明，該方法可有效地抑制信號的噪聲，并保留其邊緣特征，相比與常用的閾值收縮去噪方法，具有更佳的細節(jié)刻畫和信號還原能力。
　

4、　在腦電信號特征提取方面，針對離散小波變換存在抗混疊性差的缺陷，提出了一種基于歸一化雙樹復小波能量的運動想象腦電信號特征提取方法。通過對仿真與實測信號的分析，證實雙樹復小波變換具有良好的混疊抑制能力和抗噪性，其提取的子帶能量特征能更好地反應運動想象腦電的真實特性。同時結合腦電信號的非線性特征與ERS/ERD現象，利用雙樹復小波分解得到節(jié)律信號并提取α波和β波的排列組合熵以表征運動想象腦電的非線性特征，實驗結果表明運動想象EEG信號的節(jié)律

5、波排列組合熵特征的區(qū)分度要好于完整EEG信號的排列組合熵特征。
　　在腦電信號的識別方法上，提出了一種基于遺傳算法參數尋優(yōu)的模糊支持向量機EEG信號分類方法。模糊支持向量通過選擇一個適當的隸屬度函數對訓練樣本進行模糊化，賦異值點或噪聲樣本以較小的隸屬度，弱化其中部分野值點對分類模型的影響，進而提升系統的分類性能。同時采用遺傳算法解決了支持向量機中最優(yōu)分類參數組合（懲罰參數C與核函數變量γ）的搜索問題。本文選取與左手、右手、腳和舌運

6、動想象相關的C3、C4、Cz、Cp4四個通道的腦電信號，提取各通道的歸一化雙樹復小波能量和節(jié)律信號的排列組合熵作為聯合特征向量，采用FSVM進行分類識別。離線實驗結果表明，相比與普通的SVM，基于遺傳算法模糊支持向量機的EEG信號分類正確率有較大的提升，其平均識別率為68.75％。
　　成功搭建了基于運動想象腦電信號控制的虛擬現實平臺。設計了該平臺的總體實現方案，利用Matlab和C++混合編程完成了對BCI客戶端，虛擬現實漫游系