人脑计算机接口基于隐马科夫模型的思维运动异步分类

摘要

近年来，人脑计算机接口(Brain-Computer Interface)技术在生理学和信息学研究的基础上不断取得进展。BCI技术的发展以及成功运用将会给人类社会带来巨大的便利。本文通过对人脑计算机接口与语音识别和微弱信号处理的类比，尝试使用隐马科夫模型和Duffing混沌振子这两种方法通过对脑电图信号的处理实现人脑计算机接口。 本文包括两个部分。第一个部分涉及到EEG信号的同步分类。具体包括自回归参数方法和方差方法来进行EEG信号的特征参数提取；然后讨论了隐马科夫模型方法，包括k-means和EM算法以及FLD算法，用以实现对特征参数的分类。本文的第二部分提出了一种用于异步识别EEG信号中ERD现象，进而实现人脑计算机接口指令的一种新方法，即混沌振子方法。 在完成前面提到的各项算法的准备和实现之后，所有程序的结果在第五章中进行汇总分析，包括一些参数的选择，如自回归参数模型的阶次，HMM的状态个数和混合因子的个数。在第五章中还将对BCI指令开始时刻的选择进行详细的论述。然后对BCI指令开始和结束时刻进行了统计分析。 最后，对本文进行总结并提出了进一步工作的大致方向。

目录

声明

摘要

第一章引言

第二章数据集的初步分析

2.1自适应空间过滤器(ASF)

2.2数据集分析

2.2.1数据集结构

2.2.2基于ERP的时域信号分析

2.2.3基于ERD的频域信号分析

第三章同步分类方法

3.1自回归参数

3.2使用隐马科夫模型进行同步分类

3.2.1隐马科夫模型简述

3.2.2包含高斯混合模型的隐马科夫模型

3.2.3用K-means方法进行分群

3.2.4利用HMM进行同步分类的实现

3.3利用Fisher Linear Discriminant方法进行同步分类

3.3.1 Fisher线性分类分析方法

3.3.2利用FLD进行同步分类的实现

第四章异步识别方法

4.1 Duffing混沌振子

4.1.1基本原理

4.1.2状态变量运动形式转换的机制

4.1.3 Duffing振子的实现

4.2利用Duffing振子进行异步识别

4.2.1异步检测器的Simulink实现

4.2.2具有不同相位的混沌振子阵列

4.2.3异步检测器通过Real-time Workshop的实现

第五章结果分析

5.1同步分类方法的结果

5.1.1参数选择

5.1.2算法组合分析

5.2异步识别方法的结果

5.2.1 BCI指令开始点的选择

5.2.2 BCI指令开始和停止点的统计分析

第六章总结和工作展望

参考文献

个人简历 在读期间发表的学术论文