基于EEG的運(yùn)動(dòng)想象分類與識(shí)別算法及其在腦-機(jī)接口中的應(yīng)用.pdf

1、基于腦電的腦-機(jī)接口(Brain-Computer Interface，BCI)技術(shù)作為一種新型人機(jī)交互手段，近年來已經(jīng)成為康復(fù)工程以及生物醫(yī)學(xué)工程等領(lǐng)域的研究熱點(diǎn)。腦-機(jī)接口是在人腦和外界環(huán)境之間建立直接通信，而不依賴外周神經(jīng)以及肌肉這種正常的輸出通道。對腦電數(shù)據(jù)的正確分類是決定腦-機(jī)接口性能的關(guān)鍵因素，因此研究基于腦電的分類識(shí)別算法具有重要的現(xiàn)實(shí)意義。
　　 本文以基于運(yùn)動(dòng)想象的腦-機(jī)接口作為研究對象，對基于運(yùn)動(dòng)想象的腦電信

2、號(hào)的特征提取方法和分類識(shí)別算法進(jìn)行了系統(tǒng)的研究，并實(shí)現(xiàn)了以基于滑動(dòng)窗的ICA(Sliding Window ICA，SWICA)為核心算法的在線BCI系統(tǒng)。論文的主要內(nèi)容如下：
　　 1.設(shè)計(jì)了基于運(yùn)動(dòng)想象的BCI實(shí)驗(yàn)范式，采集了較豐富的左右手運(yùn)動(dòng)想象腦電數(shù)據(jù)；結(jié)合已有的標(biāo)準(zhǔn)EEG數(shù)據(jù)，建立了用于本文離線BCI分析的實(shí)測腦電信號(hào)數(shù)據(jù)庫。
　　 2.研究了基于后驗(yàn)概率的支持向量機(jī)(Posteriori Probabilit

3、y Support Vector Machine，PPSVM)和隱馬爾科夫模型(Hidden Markov Models，HMM)等模式識(shí)別方法，并結(jié)合腦電模式分類問題，進(jìn)行了不同分類方法的性能比較。并用基于后驗(yàn)概率的支持向量機(jī)檢測出了運(yùn)動(dòng)想象過程中的“休息”狀態(tài)，為實(shí)現(xiàn)運(yùn)動(dòng)想象在線控制系統(tǒng)創(chuàng)造了良好的條件。
　　 3.研究并實(shí)現(xiàn)了基于能量、共同空間模式(Common Spatical Pattern，CSP)和SWICA算法的