基于稳态视觉诱发和运动想象的BCI系统设计

摘要

脑机接口（brain-computer interface，BCI）是利用脑电信号作为人与外部设备进行通讯的一种方式的系统。目前BCI技术中主要的脑控算法包括：基于视觉诱发电位（VEP）、运动想象电位（MI）、慢皮层电位（SCP）、事件相关电位（ERP）中的P300算法，都属于单一模式系统，但都存在控制目标少或长时间刺激引起视觉疲劳等缺点。本文提出了通过α波切换的稳态视觉诱发（SSVEP）与运动想象（MI）双模态的BCI脑控机器人系统，并对两种模式下特征提取、分类算法进一步进行改进。
　　当系统处于稳态视觉诱发（SSVEP）模式时，测试者通过一定频率的视觉刺激控制“阿凡达”机器人进行前进、后退、左转、右转动作。当处于运动想象（MI）模式时，通过想象运动使机器人完成左、右手挥手动作。通过实时检测脑电α波特征进行视觉诱发、运动想象和空模式三种模式的切换。本文主要研究内容包括：
　　1）脑电信号预处理算法研究。由于视觉诱发和运动想象脑电信号频率都集中在5~40HZ频段，所以首先采用5~40Hz的巴斯沃特带通滤波器进行滤波，滤波之后通过z-score方式进行标准化处理使脑电特征更容易识别。
　　2）稳态视觉诱发电位特征提取分类算法的研究。因为传统的脑电处理知识针对信号层面的，并未考虑个人生理特征差异，因此本文首先采用基于脑电特征的MP匹配追踪算法对脑电信号对进行处理提高信噪比，使脑电特征更加明显。处理后的数据通过功率谱密度分析方式（PSDA）进行分析。通过对O1，O2，Oz三通道幅值进行求和、比较求出峰值所对应的频率即是诱发刺激频率。
　　3）运动想象脑电信号特征提取和分类算法研究。根据运动想象脑电信号ERD/ERS现象，本文介绍了传统共同空间模式（CSP）特征提取方式，并针对CSP方式采用导联较多的缺点提出了基于小波分析能量和AR模型功率在时域和频域相结合的方式进行特征提取。提出了SVM与LDA组合分类方式进行分类，不但能够减少SVM弃分类或误分类的概率又能够具有高效处理少量数据、二分类问题的优势，提高分类的稳定性和准确率。
　　4）完成稳态视觉诱发、运动想象和空三种模式切换的设计。根据睁、闭眼对大脑α波的阻断现象，通过实时检测脑电信号中O1、O2通道的α波的幅值是否超过已设定阈值判断是否进行三种模式的切换。
　　本文提出了根据α波进行稳态视觉诱发、运动想象和空三种模式切换的脑控机器人系统，即能够实验多目标控制又避免了长时间视觉刺激进引起的视觉疲劳；同时提出了基于SVM和LDA的组合分类器对运动想象脑电信号进行分类，结合两种分类器的优点，提高了分类正确率和稳定性。

目录

第一章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.3 本文主要研究内容

第二章 脑机接口系统整体方案设计

2.1 BCI系统中脑电信号特征

2.2 稳态视觉诱发和运动想象特征提取分类算法架构

2.3 脑机接口系统架构

2.4 本章小结

第三章 基于稳态视觉诱发的脑电信号特征提取分类算法研究

3.1 稳态视觉诱发电位（SSVEP）预处理

3.2 基于脑电特征的MP匹配追踪算法

3.3 功率谱密度方法（PSDA）

3.4 本章小结

第四章 基于运动想象的脑电信号特征提取分类算法研究

4.1 运动想象脑电信号预处理

4.2 基于CSP的特征提取算法

4.3 基于小波分析的特征提取算法

4.4 基于AR模型的脑信号特征提取

4.5 小波分析与AR模型相结合的特征提取

4.6 基于SVM和LDA组合分类器

4.7 本章小结

第五章 模式分类和切换测试平台搭建及结果分析

5.1 SSVEP系统平台搭建及结果分析

5.2 运动想象平台搭建及结果分析

5.3模式切换原理及结果分析

5.4 本章小结

结论与展望

参考文献

攻读硕士学位期间发表论文

声明

致谢