基于AR模型的脑电信号特征提取与识别

摘要

脑一机接口因其广阔的应用价值和前景成为近年来脑科学、康复工程、自动控制、军事领域和生物医学工程等领域的热门研究课题。脑电信号的处理过程是研究过程中的重点和难点。 本文将脑电信号中事件去同步化/相同步化现象作为特征信息，深入讨论了基于AR模型的自适应算法(AAR)和多变量参数AAR模型算法(MVAAR)在脑电信号特征提取中的应用。介绍多种对模型系数进行估计的方法，采用卡尔曼滤波方法和快速QR分解分别对AAR、MVAAR模型进行系数估计，以最大化显现脑电信号中的特征信息。采用线性分析、基于马氏距离分类和留一法三种分类器分别进行任务识别。引入了互信息，kappa值，ROC曲线下面积值的概念对分类效果进行性能评价。 从实验结果上看，MVAAR算法比AAR算法达到了更高的分类正确率。AAR模型很好地描述了EEG信号的非平稳随机特征，MVAAR算法识别法主观性较小，阶次一般选取也比较低，数据仿真吻合度高，实现多导联数据的输入，具有更强的通用性。传统的线性分类、基于马氏距离的二次分类，留一法分类都达到了很好的效果，但也各有优缺点。LDA和MDA算法都是只由数据的均值和协方差决定的，当两类的协方差矩阵差别较大时，LDA方法则会表现出较大的偏差，而MDA方法则会表现出较好的结果。留一法的原理简单，容易实现，但如果当实验数据庞大时，计算量和计算时间将会是我们必须考虑的问题。不同对象因为个体的区别和测试反馈时间段的不同，对其使用同一组算法分类得到的效果也有差异。

目录

文摘

英文文摘

声明

第一章绪论

1.1研究脑—机接口技术意义

1.2脑—机接口技术发展概况及主要问题

1.3论文的主要内容

1.4结构安排

第二章脑电信号与实验数据

2.1脑电信号产生

2.1.1大脑的生理结构

2.1.2大脑的功能分区

2.1.3脑电活动根源

2.2脑电信号

2.2.1脑电信号的频带成分

2.2.2脑电信号的特征

2.2.3事件相关同步/去同步化

2.3脑电信号数据来源

2.3.1测试进程

2.3.2脑电信号数据源格式

第三章基于AR模型的脑电特征提取

3.1 AR模型

3.2 AAR算法

3.2.1AAR模型

3.2.2卡尔曼滤波

3.2.3卡尔曼滤波估计AAR系数

3.3 MVAAR算法

3.3.1MVAAR模型

3.3.2估计MVAAR系数方法

3.4模型阶次的估计

3.4.1FPE准则

3.4.2AIC准则

3.4.3BIC准则

3.4.4REV准则

3.4.5贝叶斯理论准则

第四章脑电意识任务分类

4.1 LDA

4.2基于Mahalanobis距离的分类器

4.3留一法

4.4性能评价参数

4.4.1 Mutual Information

4.4.2 kappa系数

4.4.3 ROC曲线下面积估计(AUC)

第五章基于Matlab的算法组合研究

5.1算法流程及结果

5.2特征提取方法对比和讨论

5.3分类算法分析与讨论

第六章总结与展望

6.1工作总结

6.2展望

参考文献

致谢

攻读硕士学位期间主要研究成果