基于L1-范数的EEG信号鲁棒分类研究

摘要

基于脑电（electroencephalography，EEG）信号的脑-机接口(brain-computer interfaces，BCI)系统在大脑与其他外部设备之间建立了非肌肉的通信和交流通道，脑-机接口的出现，为无法进行肌肉运动的病人提供了一种与外部环境交互的新方式。BCI技术的关键在于对不同精神状态下的EEG信号进行识别和分类。共同空间模式(common spatialpatterns，CSP)是近些年提出的一种应用广泛的特征提取方法，能够捕捉大脑在进行运动想象相关任务时激发的事件相关同步化(event related synchronization，ERS)/事件相关去同步化(event related desynchronization，ERD)现象，进而提取具有判别信息的脑电模式。然而，由于CSP算法使用L2-范数的散度表达，容易受到噪声和奇异值的影响，而单纯地使用L1-范数来代替CSP中L2-范数散布表达的方法无法抑制幅值较小的噪声的影响，也无法得到稀疏的滤波向量。此外，CSP是基于单个信号动态表现的度量方法，没有使用两个EEG信号间的耦合信息。
　　本文提出了两种鲁棒的改进L1-范数共同空间模式算法——基于波形长度正则化的L1-范数共同空间模式(waveform length regularized CSP-L1，wlCSPL1)算法和基于稀疏度量的L1-范数共同空间模式（sparse L1-norm based common spatial patterns，sp-CSPL1）算法;此外，提出了一个度量信号间相位同步性的相位特征提取算法——符号秩加权的相位延迟(phase lag weighted by signed-rank，PLSR)算法，并使用三种耦合框架将EEG信号幅值特征与相位特征进行耦合，以得到包含更多判别信息的幅值-相位耦合特征。为了验证所提出算法的优越性，本文使用了1个模拟数据集和5个公开的运动想象数据集进行实验。实验结果显示:在加入人工噪声前后，wlCSPL1算法都能利用波形长度度量的噪声项有效地约束空间滤波器搜索方向，提高运动想象任务的分类识别率;sp-CSPL1算法使用L1-范数度量的滤波向量稀疏性作为惩罚项，能够得到较为稀疏的空间滤波向量，提高了识别率;PLSR算法能有效地抑制信号自身不稳定性的影响，三个幅值-相位特征耦合框架在信号分类识别方面的性能得到了验证，尤其是复数耦合法，在所有被试上都取得了优于只使用CSP幅值特征的分类识别率。

目录

声明

摘要

第一章 绪论

1．1 脑-机接口系统的基本组成

1．2 EEG信号的产生和特点

1．3 EEG信号特征提取

1．4 EEG信号特征分类

第二章 共同空间模式算法综述

2．1 共同空间模式的基本原理

2．2 改进的共同空间模式算法

2．3 本文的主要工作

2．4 本文的结构安排

第三章 波形长度正则化的L1-范数共同空间模式

3．1 波形长度与噪声度量

3．2 波形长度正则化的L1-范数共同空间模式

3．2．1 wlCSPL1算法的目标函数

3．2．2 目标函数的求解及迭代算法

3．2．3 算法收敛性证明

3．2．4 扩展到多对滤波器

3．2．5 特征提取

3．3 基于模拟数据的实验

3．4 基于真实EEG数据的实验

3．4．1 EEG数据说明及预处理

3．4．2 实验参数的设定

3．4．3 在原始EEG信号上的实验结果

3．4．4 噪声的引入及在噪声数据上的实验结果

3．5 本章小结

第四章 稀疏的L1-范数共同空间模式

4．1 L1-范数的稀疏原理

4．2 稀疏的L1-范数共同空间模式

4．2．1 目标函数的提出及求解

4．2．2 算法收敛性证明

4．2．3 扩展到多对滤波器

4．3 实验数据说明及参数设定

4．3．1 数据说明

4．3．2 预处理

4．3．3 参数的设定

4．4 实验结果

4．4．1 在BCI competition Ⅲ Ⅳa数据集上的实验结果

4．4．2 在BCI 2000 PhysioNet数据集上的实验结果

4．5 本章小结

第五章 幅值-相位特征耦合的特征提取算法

5．1 相位同步现象及幅值-相位耦合的重要性

5．1．1 EEG信号的基本特征

5．1．2 同步现象及度量方法

5．1．3 幅值-相位特征耦合的意义

5．2 符号秩加权的相位延迟算法

5．2．1 算法提出

5．2．2 算法优势分析

5．3 幅值-相位耦合的特征提取方法

5．3．1 提取幅值特征

5．3．2 提取相位特征

5．3．3 幅值-相位特征耦合

5．4 BCI competition Ⅳ Ⅱa数据集

5．4．1 实验数据说明及预处理

5．4．2 电极耦合方法

5．4．3 实验结果

5．5 在BCI competition Ⅳ Ⅰ数据集上的实验

5．5．1 实验数据说明及预处理

5．5．2 电极耦合方法

5．5．3 实验结果

5．6 本章小结

第六章 总结与展望

6．1 总结

6．2 存在的问题与展望

参考文献

硕士期间发表论文

致谢