基于P300的脑电分类识别算法研究

摘要

脑机接口(brain-computer interaction，BCI)是一种新的人机交互界面，通过识别人脑电波来获取人的控制意图，其中基于事件相关电位的P300电位受到广泛关注。脑机接口研究集中于脑电预处理技术、特征提取技术以及脑电分类算法。而脑电信号的分类是脑机接口技术中最为关键的一环。脑电信号有独特的特征而且针对不同个体脑电信号千差万别，所以提取出共性个体特征，并对不同个体进行分类来识别脑电意图是脑电识别过程中的重点。近几年随着科技发展，新兴的生物智能算法为脑电识别领域注入了新的活力。本论文针对脑电信号处理过程中的预处理以及分类过程，引入生物免疫机理。生物免疫系统是一套强大的防御系统，这套免疫系统能根据外界刺激或环境自适应地调节生物内部的环境，对于不同的入侵进行不同的自适应调节，这种特性运用在分类识别中能很好地弥补分类算法用固定参数调节效果不好的问题，所以本文提出一种自适应集成分类算法来解决该问题。本论文主要工作有以下几个方面： （1）脑电信号属于低频信号，为了消除采集过程中携带的一些诸如肌电，眼电等伪迹信号，首先利用采样、过滤以及独立量分离方法将这些无关信号去除，从而得出纯粹的脑电信号。 （2）针对不同个体特征差异较大且以往分类算法多使用固定参数导致的分类准确率较低问题，提出了一种基于免疫优化和支持向量机的脑电自适应集成分类器，该分类器可以在传统的集成分类器中结合免疫算法对分类参数进行自适应寻优从而提高最终分类结果的准确性，对不同个体实验都有较好的结果。自适应集成分类器利用可调节参数摒弃过去单一固定参数的方法，针对不同个体的不同特征寻优出最佳的分类参数，并且利用集成分类器Bagging算法的高容错率对脑电数据进行分类。在实验最后将自适应集成分类器与 PSO 粒子群算法以及传统集成算法进行对比可以得出更稳定的结果。 （3）通过利用脑电信号采集处理设备，以及脑电范式刺激软件E-Prime对脑电从采集到处理分类的整个过程进行了模拟。通过提取两名被试者的脑电信号，以及利用 EEGLAB 软件对两名被试者信号进行分析处理，最后再利用自适应集成算法与粒子群算法、传统集成算法对比，并且给出了同一组数据在相同实验条件下这三种算法的结果对比图，从而根据结果分析得出本文算法的有效性。 在文章的最后对全文进行了总结，提出了本文研究的优势以及目前研究的不足之处及改进措施，并对未来P300脑电发展方向做出了展望。

目录

第一个书签之前