虛擬場景下運動想象腦電信號識別研究.pdf

1、腦電信號(Electroencephalogram,EEG)是中顱內(nèi)神經(jīng)突觸和樹突傳遞神經(jīng)電位信號而衍射到大腦頭皮的募集信號,人在主動思維或受到不同的感覺刺激時,EEG會出現(xiàn)差異性變化?；贓EG的腦-機接口(Brain Computer Interface,BCI)系統(tǒng)通常就是使用這類差異性的腦電信號來控制外部設(shè)備或?qū)崿F(xiàn)大腦與外界的直接通信。目前,基于多類運動想象的腦電信號的識別研究主要集中在離線分析,可識別維度已達到4類。但在線BC

2、I研究方面,主要還只集中在兩個維度的控制(左、右轉(zhuǎn);或動作、停止等),多維度的控制還存在著:實時性差、識別正確率低以及采集到的EEG信號受噪聲干擾大等難點。
　　本文根據(jù)現(xiàn)階段BCI技術(shù)中存在的問題并結(jié)合課題的要求,設(shè)計并構(gòu)建了一個在線的基于多類運動想象腦電信號控制的腦-機接口_虛擬現(xiàn)實漫游系統(tǒng),系統(tǒng)包括EEG信號采集、消噪預處理、特征提取以及基于三導EEG的想象腳、左手、右手運動的三類運動想象的模式識別和基于一導EEG的閉眼動作

3、檢測,并且使用運動想象腦電波實現(xiàn)了在虛擬現(xiàn)實系統(tǒng)中的漫游。在論文寫作階段做的具體工作及主要創(chuàng)新點包括:
　　(1)為剔除混疊在腦電信號中的干擾噪聲,提出了一種基于雙密度小波鄰域相關(guān)閾值處理的EEG消噪方法。利用雙密度小波對EEG進行分解,得到多層的信號高頻系數(shù);根據(jù)小波系數(shù)的局部統(tǒng)計依賴性,運用鄰域相關(guān)閾值處理算法進行收縮,將收縮后的小波系數(shù)進行重構(gòu)得到消噪后的信號。對加噪聲標準信號消噪實驗的結(jié)果表明,具有近似平移不變性的雙密度小

4、波變換方法的消噪效果要明顯優(yōu)于一代離散小波變換,在強噪聲環(huán)境下效果更為明顯;此外,由于鄰域相關(guān)閾值處理算法利用了小波系數(shù)的局部依賴性,對突變大的系數(shù)進行了平滑處理,消噪后的信號的毛刺明顯減小。實測EEG消噪實驗的結(jié)果圖表明,該算法可以將EEG中的突變干擾信號平滑掉;頻譜分析結(jié)果也表明,本文算法有效地抑制了高頻噪聲,而在主要頻率范圍內(nèi)對應的功率譜與原始EEG的功率譜基本一致,保留了EEG中的大部分有用的細節(jié)信息,為后續(xù)EEG的特征提取和模

5、式識別奠定了良好的基礎(chǔ)。
　　(2)提出了一種基于歸一化 AR模型功率譜估計的運動想象腦電信號特征提取方法。對C3、Cz、C4通道的腦電信號進行AR模型功率譜估計,將肢體運動相關(guān)的Mu節(jié)律(8～12Hz)和Beta節(jié)律(20～24Hz)的AR模型功率譜估計值歸一化作為特征值。仿真結(jié)果表明,歸一化后的AR模型譜估計的一致性明顯改善,增強了特征值的泛化能力。此外,根據(jù)Mu節(jié)律波與肢體運動有著密切關(guān)系以及其具有非線性特性,提出了一種基于

6、Mu節(jié)律波能量熵的運動想象腦電信號特征提取算法。為了選取兼具實時性和識別正確率高的算法,對實測運動想象腦電數(shù)據(jù)進行了分析,并使用Mahalanobis距離分類器和支持向量機對兩種特征提取方法進行了對比分析。其中,采用基于歸一化AR模型功率譜估計方法對腦電進行特征提取,然后采用支持向量進行分類,三類運動想象最高平均識別正確率為80.83％。
　　(3)構(gòu)建了一個在線的基于運動想象腦電信號控制的腦-機接口_虛擬現(xiàn)實漫游系統(tǒng),并根據(jù)在線