进化优化算法在运动想象脑机接口中的应用研究

摘要

在基于运动想象的脑-机接口(BCI)中，共空域模式算法(CSP)能够有效地提取脑电信号中可辨识的模式，因而得到广泛使用。然而，CSP算法的性能严重依赖于受试者特定的参数，包括用于分类的脑电信号时间段、频带和电极通道数。使用受试者特定的参数来提取脑电特征可以显著地改善 CSP的性能并提高BCI的分类正确率。本文使用二进制粒子群优化(BPSO)和回溯搜索优化(BSA)这两种进化优化算法，对受试者特定的参数进行单独或联合选择，以便改进BCI系统的分类性能。
　　为了解决频带优化问题，本文提出了两种结合 CSP算法的进化优化算法。在第一种算法中，宽带(8-30Hz)脑电 EEG信号被划分为10个子带(每个子带宽4Hz，相互交叠2Hz)，BPSO被用于挑选最优的子带(集合)，在选择的子带上使用CSP算法进行空域滤波和特征提取；在第二种算法中，EEG信号的带宽可在8-30Hz频率范围内变化，频带的起始频率与结束频率由BSA算法进行选择，在选择的频带上使用CSP算法进行空域滤波和特征提取。使用这两种方法对两个数据集进行分类实验，结果表明相对于传统的宽带(8-30Hz)CSP的方法，这两种基于频带优化的CSP方法都取得了一定的效果。通过比较两种新的算法，BSA表现更佳，且收敛速度快。
　　在对频带进行优化的基础上，本文还提出了一种使用BSA对频带和时间段进行联合优化的算法。本算法中EEG信号的滤波带宽不固定，起始频率与结束频率可在8-30Hz范围内变化，而时间段的宽度固定为2s，数据的总时长为4s，故而起始点可在0-2s之间变化。时间段起始点、频带起始点以及频带结束点这三个参数由BSA算法进行联合优化。在选择的频带和时间段上，使用CSP算法进行空域滤波和特征提取。与只进行频带优化相比，联合时-频优化取得了更高的分类正确率。
　　针对导联选择对EEG分类的重要性，本文还提出了一种使用BSA对BCI通道进行选择的算法。在对导联的优化中，以分类误差率为目标函数，选择的导联数目由BSA算法确定。使用两个数据集进行了导联选择实验。实验结果表明，与全部导联相比，选择的导联数目大幅度减少；且与使用全部导联相比，使用选择的导联取得的分类正确率有了较大的提高。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 脑机接口的研究背景

1.2 脑机接口的研究意义及发展历程

1.3 脑机接口概述

1.4 脑机接口研究现状及其应用

1.5 本文的主要内容

第2章 头皮脑电EEG及其研究

2.1 EEG的发现

2.2 EEG的产生及其记录方法

2.3 EEG的类型

2.4 EEG的生理特点

2.5 事件相关去同步/同步(ERD/ERS)

第3章 运动想象EEG特征提取及分类

3.1 共空域模式(CSP)算法

3.2 CSP算法的局限及改进措施

3.3 特征的分类

3.4 EEG的频域分析

第4章 进化优化算法在BCI中的应用

4.1 进化优化算法

4.2 实验数据及预处理

4.3 频带优化实验设计

4.4 五个人数据10?5交叉验证分类结果

4.5 九个人数据10?5交叉验证分类结果

4.6 两种进化优化算法比较

4.7 基于BSA的时频联合优化

4.8 基于BSA的BCI导联选择

第5章 总结与展望

5.1 论文工作总结

5.2 未来工作展望

致谢

参考文献

攻读学位期间的研究成果