用于运动感觉BCI系统的基于EEG的不同手部动作之间的识别

摘要

人类大脑的结构、生理特性,还有它具有的认知能力,研究起来都是非常困难的,并且鉴于人脑的生理特性,创伤性侵入式的信号获取是不现实的,所以在目前的脑计划研究中,最为可取的就是脑电波(Eletroencepalograph,EEG)研究。在应用层面,对于残疾人或者运动不便的健全人来说,感觉运动相关的脑-机接口(Brain Computer Interface,BCI)系统是十分必要的。良好的 BCI系统应该直接从大脑活动记录,并能提供实时反馈给用户,而它的关键技术是对脑电波信号的采集、提取和分类。
　　非侵入式的EEG研究在国内外是具有局限性的,目前具有成果的研究领域主要是基于诱发电位的探讨、利用眼动信号来控制外部设备,利用非直觉进行控制等。目前大多对于运动EEG的研究也只是限于区分出左右手,然而针对单个惯例手的不同手部动作的识别与分类相比于仅仅区分左手或右手要精细的多,也困难的多。本文所研究的正是惯例手的不同手部动作之间的分类。并且为了更好的分析,也为以后的后续任务作铺垫,本次的实验设计加入了惯例手的手腕部的动作。
　　本文研究表明,在惯例手的三种不同的手部动作的运动执行时,人脑产生的EEG信号是不同的。首先鉴于EEG波形在运动时发生于大脑感觉运动皮层区域的事件相关同步化(Event-Related Synchronization,ERS)和事件去相关同步化(Event-Related Desynchronization,ERD)现象,本文分别选用单侧和双侧运动皮层脑区的数据,提取出时域特征和频域特征。其中信号频域内的特征提取运用了经验模态分解算法(Empirical Mode Decomposition,EMD)。然后本文将特征数据行随机打乱1000次并每次抽取出相应特征的前40行,计算数值平均值,在不同的两类特征之间进行大小比较。多个数据特征组通过此种处理而得到了动作分类真值表,用此真值表对提取的特征进行分类,最终得出了平均准确率为78.75％的良好结果。
　　此次研究的主要创新点是提供了一种基于EMD算法的EEG信号特征处理算法。该算法分别利用对侧脑区运动中枢的EEG数据和双侧脑区运动中枢的EEG数据差值对惯例手的不同动作进行了分类,并得到了具有实用价值的分类结果。该结果表明通过处理C4与C3导联的差值得到的分类准确率要明显优于仅用C3导联进行处理得到的分类准确率;应用本文中的算法,手张开和捏钥匙两个动作之间得到的EEG的分类准确率要明显优于手张开和握拳之间的分类准确率。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

§1.1 课题发展历史和研究意义

§1.2 国内外研究现状

§1.3 论文的研究思路及主要内容

§1.4 论文的组织结构

第二章 BCI系统和EEG

§2.1 BCI系统

§2.2 EEG

§2.3 ERD/ERS

§2.4 本章小结

第三章 基于EMD的信号处理算法

§3.1 傅立叶变换

§3.2 EMD分解

§3.3 瞬时频率

§3.4本章小结

第四章 与肌电采集相融合的脑电实验

§4.1脑电实验的实验规范

§4.2实验目的

§4.3实验方案

§4.4脑电实验操作步骤与流程

§4.5本章总结

第五章 EEG数据处理

§5.1 EEG数据采集

§5.2 EEG数据预处理

§5.4不同的特征提取的方案

§5.4 数据特征分类

§5.5结果对比分析和结论

§5.6本章小结

第六章 总结与展望

§6.1 工作总结

§6.2 展望

参考文献

致谢

作者在攻读硕士期间主要研究成果