基于自發(fā)腦電信號的腦-機接口的研究.pdf

1、基于腦電信號(EEG)的腦-機接口(BCI)是當今BCI研究的主流。其中利用自發(fā)腦電信號，通過識別特定意識任務實現控制的BCI系統(tǒng)不需要外部刺激裝置和長時間的訓練，具有很大的應用前景和價值。本論文主要從EEG信號的預處理，特征提取方法和分類器的設計等方面對此類 BCI系統(tǒng)進行了較為深入的研究，主要工作和成果有：
　　采用有效的盲源分離(BSS)方法分別對EEG信號中的工頻、眼電(EOG)和肌電(EMG)偽跡進行了分離和去除。獨立分

2、量分析(ICA)能夠取得較為理想的去除EOG偽跡的效果，得到了廣泛的應用，因此在本文中也采用了這種方法去除EEG中的EOG偽跡。此外，工頻噪聲也利用了ICA方法來去除。在直接利用ICA無法分離出6導EEG信號中的工頻噪聲的情況下，人為構造了兩路工頻信號，引入ICA的輸入作為參考信號，從而成功的分離和去除了工頻噪聲。在以往的基于意識任務BCI的研究中，均沒有對EMG偽跡進行處理，本文提出了一種基于典型相關分析(CCA)和低通濾波的BSS方

3、法來分離和去除EMG偽跡。采集到的EEG信號可以看作是不相關的EEG源和EMG偽跡源的瞬時混合，因此，CCA能夠將真實的EEG信號和EMG偽跡分離開。相較于EEG而言，自相關性較弱的EMG偽跡出現在最小自相關的CCA分量中。但是這些分量也包含了EEG信息，因此在對這些分量進行低通濾波處理以后，再重構出EEG信號。提出的這種新方法在去除EMG偽跡的同時能夠有效的保留EEG信息，是BCI系統(tǒng)中一種更為理想的去除EMG偽跡的EEG信號預處理方

4、法。
　　本文研究了時-頻特征提取方法和時-頻-空特征提取方法。頻域分析方法提取EEG的節(jié)律特征及頻譜特征是目前最主要的方法，然而這種方法是建立在被分析的EEG信號是平穩(wěn)的假設上。時頻分析方法是適合于處理EEG信號這種典型非平穩(wěn)信號的有效工具。本文將線性時頻變換和雙線性時頻變換應用于不同意識任務EEG信號的特征提取。短時傅里葉變換(STFT)雖然不存在交叉項干擾，但是其時頻聚集性不好。作者將STFT與AR模型相結合，在STFT的求

5、解過程中采用AR譜代替傅里葉譜，這種改進的STFT獲得了比較好的時頻聚集性，能夠更有效的提取EEG特征。Wigner-Ville分布(WVD)雖然時頻聚集性好，但又存在交叉項干擾。平滑偽Wigner-Ville分布(SPWVD)是WVD的一種改進，達到了抑制交叉項的目的，因此能夠更準確的提取EEG特征。時-頻-空特征提取方法考慮了從多通道EEG信號(多變量EEG信號)提取空域特征，是一種提取EEG特征的新思路。由于直接對多變量EEG信號

6、處理時，計算量大，得到的特征數多，該方法首先對多變量信號進行空域解相關處理，從而降低了計算量和特征數，提高了這種方法的實用性。
　　設計了兩種分類器：基于Fisher辨別分析(FDA)和馬氏距離(MD)的分類器和基于最小二乘支持向量機(LS_SVM)的分類器。FDA是一類較為簡單的線性判別函數，該線性分類器容易實現，計算量小，能夠滿足BCI系統(tǒng)對實時性的要求?；诮Y構風險最小化原則的SVM是近些年來發(fā)展起來的一種新型模式識別方法，

7、克服了傳統(tǒng)方法的過學習、高維數、局部最小等問題，具有很強的推廣能力，但是其計算速度較慢。因此，本文利用了SVM的改進方法LS_SVM來設計分類器，LS_SVM將SVM中的二次規(guī)劃問題轉化為線性方程求解，提高了計算速度，更適合于在BCI系統(tǒng)中充當分類器。此外，本文也對利用SVM進行多分類的方法進行了研究，設計了基于LS_SVM的多分類器。
　　本文設計了三組實驗，每組實驗均對8個受試者的意識任務進行了二分類和多分類。第一組實驗用于驗

8、證本文所給出的特征提取方法的有效性，并比較了它們的性能。采用基于AR模型的STFT和SPWVD的特征提取方法取得了最好的分類效果。不過基于AR模型的STFT更加簡單，因此是一種更具優(yōu)勢的方法。第二組實驗對設計的兩種分類器進行了驗證和比較。在二分類時，LS_SVM分類器取得了更好的分類效果，而在三分類，四分類和五分類時，FDA+MD分類器在正確率和計算速度上都更具優(yōu)勢。本論文提出了一個新的觀點，認為頭皮方式采集的EEG信號的高頻成分也包含