基于WICA的自发脑电信号的特征提取

摘要

随着当今社会的发展，人们的生活水平越来越高，私家车辆也越来越多，交通事故发生几率也随之增高，很多人也因此而部分丧失甚至完全丧失运动能力。为了便利这些患者的生活起居，越来越多的实验室开始了脑机接口(BCI，brain-computer interface)相关研究。BCI作为一种新型的人机交互系统，它通过脑电采集设备采集相应的脑电信号，提取特征进行分类，然后将不同的思维活动与不同的指令结合起来，实现人脑与外设之间的联系。BCI的出现，使得利用意念直接控制外设的想法成为可能。
　　 特征提取是脑电信号最重要的一步。如何将人的想法用电信号的形式表达出来并且用来控制外设成为人们研究的热点。思维脑电信号是人在进行一些特定的心理活动时所产生的脑电信号，其本质也是自发脑电。进行脑电(EEG)信号采集时，安放在头皮表面的电极不仅记录了脑神经元电活动，而且渗杂了各种干扰信号(artifact)，如工频干扰、眨眼、眼球运动、心电干扰和肌电干扰等。因此，在脑电信号处理和分析中，脑电信号的消噪是一个关键问题。
　　 如何从采集到的原始脑电信号中提取有用的信息是脑电信号处理的一个重点及难点。现代小波变换方法和独立分量分析方法的提出为有效地分析脑电信号提供了新的途径。脑电信号是非平稳信号，复杂并且不稳定，如果单独应用小波包提取出的特征信号往往特征不够明显，容易遗漏信息。独立分量分析是盲源分离的一种方法。考虑到所要提取的特征波就是混合脑电信号中的一个独立分量，应用独立分量分析在一定程度上可以分离出特征波。但是由于其不确定性单独使用ICA还有一定的局限性。
　　 本文主要是针对基于单任务运动想象的自发脑电信号的特征提取。我们提出了一种新的基于infor-fast ICA算法的脑电信号的特征提取方法也就是将小波变换(Wavelate Transform)与ICA方法相结合即WICA的方法。通过对脑电信号进行ICA算法预处理，小波变换进行第一次特征提取，再利用infor-fast ICA算法进行二次特征提取，最终提取出能够反映思维状态的脑电节律mu节律。
　　 通过将本文所用的方法与ICA方法、小波变换方法以及传统的ICA与小波变换相结合的方法对所提取的单任务运动想象脑电信号的仿真结果进行比较，可以很明显的看出本文所用新方法提取的单任务运动想象脑电信号在10-12HZ处的能量特征最为明显。最终结果验证了本文所用方法的有效性。

目录

声明

摘要

第一章 绪论

1．1 脑机接口技术概述

1．2 脑机接口技术国内外研究现状

1．3 脑机接口的基本原理以及结构

1．4 论文的结构安排

1．5 本文的创新之处

第二章 运动想象脑电信号特点

2．1 脑电信号的国内外研究状况

2．2 脑电信号的组成以及分类

2．3 脑电信号的特点

2．4 运动想象脑电信号产生的生理基础

2．4．1 运动想象信号产生机理

2．4．2 运动想象脑电信号特点

2．5 几种典型的脑电信号系统

2．5．1 利用视觉诱发电位、稳态视觉诱发电位

2．5．2 基于眼动产生的alpha波幅值增加或者减小的BCI系统

2．5．3 自由调控皮层慢电位的BCI设备

2．5．4 基于P300的BCI系统

2．5．5 基于mu节律和β节律的BCI系统

2．5．6 事件相关同步与去同步现象

2．6 课题的框架

第三章 脑电信号的采集和预处理

3．1 脑电信号的采集方式

3．2 脑电信号的数据处理

3．3 本文提出的新的算法—Infor-fast ICA算法

3．4 脑电信号的去除伪迹处理

第四章 脑电信号mu节律的特征提取算法

4．1 特征提取的方法

4．1．1 离散傅里叶变换与快速傅里叶变换

4．1．2 Hilbert-Huang变换

4．1．3 功率谱密度法

4．1．4 小波变换法

4．1．5 独立分量分析法

4．2 各种方法之间的比较

4．3 本文所用方法及其仿真结果

4．3．1 脑电信号mu节律的一次特征提取算法

4．3．2 脑电信号mu节律的二次特征提取算法

4．3．3 各种分析方法仿真结果

第五章 结论与展望

参考文献

致谢

附录