基于SVM的BCI系统中P300信号识别技术研究

摘要

脑-机接口(Brain-Computer Interface，BCI)是一种新的人机交互界面，其主要任务是利用思维脑电信号实现人脑与计算机或其它外部机电设备的通讯和控制。作为BCI系统输出控制的基础，本论文主要研究了使用事件相关电位(Event-Related Potential，ERP)中P300信号进行脑电思维模式识别的方法。 文中首先介绍了诱发电位(Evoked P0tential，EP)产生机制的两种假设，其一认为EP是叠加于自发脑电背景之上、由外部刺激诱发产生并与刺激具有锁时关系的神经细胞群电活动信号；其二则认为EP是原自发脑电活动中的一部分、经外部刺激诱发产生相位同步效应所形成的神经细胞群电活动信号。研究结果表明这两种假设在一定程度上是共存的。 为充分利用64导脑电数据信息，本文先使用主成分分析(Principal Component Analysis，PCA)将信号降维，然后利用独立分量分析(Independent Component Analysis，ICA)找出代表P300的独立分量，再将得到的分量作相干平均以加强P300的锁时特征；并且将每个行列的序间相干性(Inter-Trial Coherence，ITC)在300ms附近的值作为该行列的锁相特征，每个行列的事件相关谱扰动(Event-Related Spectral Perturbation，ERSP)在300ms附近的值作为该行列的功率特征。 目前多数机器学习方法都是基于传统统计学，当样本数目有限时难以取得理想的效果。而基于统计学习理论的支持向量机能够很好的解决小样本的学习问题，本文使用它对信号进行分类，将之与使用人工神经网络的结果进行了对比，可以看出在本课题中，支持向量机的确能够取得更好的表现。对于本文的高维特征，由于支持向量机采用了核函数的方法，学习速度比神经网络要快很多，适合在线学习。

目录

文摘

英文文摘

声明

第一章绪论

1.1脑电研究的历史回顾

1.1.1脑电的发现

1.1.2脑电的分类

1.2诱发电位及其产生机制假设

1.3事件相关电位P300

1.4 P300信号在BCI系统中的应用

1.4.1 BCI系统的介绍

1.4.2 BCI系统中的控制信号

1.4.3 P300信号在BCI系统中的使用

1.5 P300信号的常用分析方法

1.6本课题的研究方法介绍

第二章脑电信号中P300的特征提取

2.1脑电信号与P300信号的特点

2.2相干平均技术

2.3主分量分析

2.3.1主分量分析的原理

2.3.2主分量的计算方法

2.4独立分量分析

2.4.1 ICA在脑电逆问题中的结构模型

2.4.2 ICA问题的先验知识

2.4.3 ICA中的不确定性

2.4.4 ICA中的独立判据

2.5时频分析在P300特征提取中的应用

2.5.1利用正弦小波(Sinusoidal Wavelet)作时频分析

2.5.2 ERSP与ITC参数的定义

2.6 P300特征的组成形式

第三章P300特征分类技术的原理介绍

3.1 P300的分类特点与对学习器的要求

3.1.1脑电信号分类的性能评价准则

3.1.2脑电信号分类存在的主要问题和未来发展方向

3.2线性分类感知器

3.2.1线性感知器的数学描述

3.2.2线性感知器的实现方法

3.3人工神经网络技术

3.3.1人工神经元模型

3.3.2多层前向神经网络

3.3.3神经网络的BP学习算法

3.4统计学习理论与支持向量机

3.4.1统计学习理论(Statistical Learning Theory，SLT)

3.4.2最优超平面

3.4.3核函数特征空间

3.5各个方法在P300特征分类上的优劣

第四章实验方法与结果

4.1 P300信号的采集方法与数据格式

4.2传统方法

4.3本文所采用的数据分析处理方法

4.3.1 P300信号的滤噪处理

4.3.2 P300信号的分析与特征提取

4.3.4利用神经网络与SVM分类

第五章总结与展望

5.1本文研究工作总结

5.2展望

参考文献

发表论文和参加科研情况说明

致 谢