脑电信号分析与多模态脑机接口研究

摘要

脑电信号(electroencephalogram,EEG)是一种重要的人体生理电信号。一方面分析脑电信号可以深入认识大脑的功能,了解生理特性,应用于临床疾病;另一方面,基于EEG的脑机接口系统(Brian-Computer Interface,BCI)无需外周神经和肌肉即可实现与外界设备的通讯与控制,具有广泛的应用前景,本论文主要包括以下内容。
　　EEG的一个重要应用在BCI系统,特征提取和分类是BCI系统的重点。本文研究了基于运动想象EEG的BCI系统,提出了三种EEG特征提取方法:W-CSP、PSO-CSP和W-RCSP。第一种方法是小波分析和共空间模式(CSP)算法的结合,是一种时域、频域、空间域融合的方法,小波分析的时频特性使得其更加适用于处理非平稳的EEG信号。第二种方法是基于粒子群(PSO)的CSP算法,先用PSO优化最佳频带,然后应用最佳频带进行信号处理,第三种方法是基于小波的规则化CSP算法,引入两个规则化参数,增强CSP的稳定性。与传统的CSP对比分析表明,提出的方法能够更明显的区分特征向量。
　　对于运动想象EEG的BCI系统中特征分类,对比研究了典型的线性和非线性分类器:LDA和SVM,并比较了两种分类器在应用不同特征提取算法情况下的分类结果。结果表明W-RCSP+SVM取得最高的平均分类准确度,W-CSP+LDA平均分类准确度最低,对于效率不高的受试者,W-RCSP+SVM达到最好分类准确度。说明W-RCSP更有利于处理噪声干扰大的信号,并且基于SVM算法的平均分类结果高于 LDA,说明 SVM处理非线性问题的优势,但当特征向量在投影空间区分明显时,LDA分类效率也很高,如基于LDA的W-RCSP,PSO-CSP也达到较高的平均分类准确度。
　　在实验观察中,我们发现通过眼动EEG具有明显时域特性,本文实时提取向上和向下眼动的时域特征,达到了较高的识别正确率和传输速率,验证了眼动信号进行实时编码的可行性。然后,提出了一种结合运动想象和眼动EEG两种模态的异步BCI系统,实验结果表明,基于运动想象和眼动EEG的异步BCI取得较好的效果。