自發(fā)腦電腦機接口模式識別關鍵技術與實驗研究.pdf

1、大腦是人體中最復雜的部分，也是宇宙中迄今所知最為復雜的組織結構，腦科學的研究已經(jīng)成為當代科學研究的熱點。由于大腦自身的復雜性，神經(jīng)聯(lián)系的豐富多樣性，使得大腦研究成為一項十分復雜的課題，正是這種多樣性、復雜性決定了腦研究方法的多樣和復雜。腦電圖檢測(Electroencephalography,EEG)成為目前客觀記錄腦機能狀態(tài)變化的重要方法之一，而基于EEG的腦機接口(Braincomputerinterface，BCI)也已成為腦科學

2、的一個新興研究課題。 腦機接口是不依賴于腦的正常輸出通路(外周神經(jīng)系統(tǒng)及肌肉組織)的腦-機(計算機或其它裝置)通訊系統(tǒng)，是一種新穎的人機接口方式。它是人類了解和提高腦功能的重要手段，在殘疾人康復、正常人輔助控制、娛樂、腦認知等領域有著廣泛的應用前景。 腦機接口系統(tǒng)中采用的控制信號包括兩種類型：自發(fā)腦電和誘發(fā)腦電。其中，基于自發(fā)腦電信號的BCI系統(tǒng)基本工作原理是：人在某些情況下能夠產(chǎn)生特定模式的自發(fā)EEG，并借助高性能的生

3、物電信號采集系統(tǒng)進行記錄：再經(jīng)過設計的數(shù)據(jù)處理算法把腦電特征實時地提取出來，進而進行自動分類識別，從而實時判斷出當前所處的思維狀態(tài)；最后通過計算機將判斷出來的思維狀態(tài)翻譯成預先設定的控制命令，實現(xiàn)人腦對計算機等外部設備的直接控制。本論文是針對自發(fā)腦電信號的模式識別算法及其應用進行研究，首先在自發(fā)腦電的信號處理方面，以提高識別精度為目標，圍繞自發(fā)EEG的特征提取、特征選擇和分類三個階段進行研究，提出和應用了若干模式識別方法，并用標準競賽數(shù)

4、據(jù)進行初步檢驗：然后研究和設計了一種基于自發(fā)進行運動控制的BCI系統(tǒng)，在此基礎上搭建了實驗平臺，設計了基于三種運動想象思維任務的實驗范例，并用獲取的實驗數(shù)據(jù)對所提出的模式識別算法進行比較和分析，進一步驗證這些方法的有效性。具體研究內(nèi)容包括以下幾個方面： ◆自發(fā)EEG特征提取算法研究：本文在分析現(xiàn)有特征提取方法及存在的問題的基礎上，針對腦電信號的非平穩(wěn)特性，提出了基于小波包分解系數(shù)及子空間能量的特征提取、基于經(jīng)驗模態(tài)分解和希爾波特

5、變換的特征提取以及一種適用于只含有兩類思維任務的BCI系統(tǒng)的閾值判定特征提取，并將提出方法與現(xiàn)有的基于自回歸模型參數(shù)的特征提取、基于小波變換系數(shù)的特征提取進行比較，驗證了提出的算法可以獲取最佳特征，從而更加有效地進行后續(xù)的特征選擇和分類。 ◆自發(fā)EEG特征選擇算法研究：特征選擇是指從原始特征集中找到最有利于分類的特征子集，以提高分類器的精度和性能。本文提出一種基于基因優(yōu)化的特征選擇算法應用于腦機接口，并與現(xiàn)有的基于遺傳算法的特征

6、選擇、基于Fisher距離的濾波算法進行比較，驗證其有效性。 ◆自發(fā)EEG特征分類算法研究：分類是依據(jù)輸入的特征子集，輸出特征應該歸屬的類別。本文將基于概率神經(jīng)網(wǎng)絡的分類、基于支持向量機的分類應用于腦機接口，提出有監(jiān)督學習的概率神經(jīng)網(wǎng)絡學習算法以及利用基因優(yōu)化支持向量機模型參數(shù)，并與無監(jiān)督學習的神經(jīng)網(wǎng)絡分類、基于經(jīng)驗支持向量機的分類、基于遺傳算法優(yōu)化支持向量機參數(shù)的分類進行比較，證明了它們的有效性和優(yōu)越性。 ◆基于自發(fā)E

7、EG的腦.機接口實驗系統(tǒng)設計：圍繞建立一套6-8通道自發(fā)腦電數(shù)據(jù)采集儀和運動控制機構的目標，完成了整個系統(tǒng)以及各模塊的具體設計，包括放大網(wǎng)絡、濾波網(wǎng)絡、基于無線通信的電氣隔離系統(tǒng)、基于USB的輸入輸出接口電路和基于無線通信的控制系統(tǒng)等模塊。為后續(xù)的腦機接口擴展研究提供了前提。 ◆對所研究的方法進行了理論分析之后，為檢驗這些方法的有效性，首先采用了2005年腦機接口國際競賽的標準數(shù)據(jù)進行初步驗證，再基于腦-機接口系統(tǒng)設計搭建實驗平

8、臺，依據(jù)BCI競賽中標準數(shù)據(jù)的產(chǎn)生來源，設計采用了三種運動想象任務的實驗范例：想象左手拍籃球、想象右手拍籃球、想象右腳踩剎車，并對獲得的實驗數(shù)據(jù)進行分析處理，以識別精度為指標，將研究的模式識別方法與其它現(xiàn)有的識別方法進行比較，結果所提出的方法能夠取得更好的識別效果。解決了該BCI系統(tǒng)的模式識別部分的關鍵問題，為下一步的工作打下了基礎。 由于實驗數(shù)據(jù)的局限性，所提出的模式識別算法的魯棒性有待進一步驗證，論文最后對所做工作和研究成果