基于脑电的意识任务特征提取与识别方法研究

摘要

脑机接口(BCI)是一种全新的人机接口方式，它不依赖于脑的正常输出通道(外周神经与肌肉系统)，而是直接从大脑获取与外界通讯的信息。脑机接口的一个重要用途是为那些思维正常但有严重运动障碍的患者提供语言交流和环境控制途径，提高其生存质量。脑机接口在自动控制、军事领域也有潜在的应用价值。鉴于其巨大的应用前景，脑机接口已引起国际科学界的高度重视。脑机接口研究正成为脑科学、康复工程、生物医学工程及人机自动控制研究领域的一个新的热点。 当前绝大部分脑机接口是建立在脑电信号(EEG)基础上的。脑电信号是由大脑产生的电活动，可以从头皮或大脑皮层记录到。基于EEG的信息交换方法的探索就是试图将EEG或它的某些分量转化为一种新的输出通道，通过它大脑能够与外界进行信息交换与控制。 在BCI系统中，脑电的特征提取与识别是非常关键的环节。如果此环节处理不好，系统就不能正确解读出使用者意识活动中包含的特殊指令，也就不能对控制设备发出符合使用者意图的控制指令。本文主要针对这一环节开展了相关工作。 本论文提出了利用自适应AR模型(AAR)进行脑电信号特征提取的方法。因为脑电是一种典型的非平稳随机信号，而自适应AR模型也是一种非平稳随机模型，它是很适合于描述EEG信号的。文中我们详细研究了该模型在脑电信号特征提取中的应用。利用C3和C4导联提取的模型系数作为信号的特征向量，并且提出了一种确定模型参数的方法——最小化相对误差方差。实验结果显示，这是一种有效的区分两种运动想象EEG模式的方法，最高识别正确率达到了85％。这一非平稳模型很好地描述了EEG信号的非平稳随机特性，同时自适应的算法为它提供了具有很高时间分辨率(等于抽样率[34])的参数。它的计算量非常小，很容易满足实时性要求，是一种很好的在线处理方法。但是在包含较多瞬态过程的高度非平稳的EEG信号中，这一方法很可能会失败。这也正是其局限性。 本文提出一种新的基于核Fisher判别分析(KFDA)的脑电信号特征提取方法。根据对国内外文献的查阅，我们发现关于KFDA算法的应用报道还是非常少的，但都取得了很好的效果。我们尚未见到其在EEG信号处理中的应用报道，所以我们尝试应用KFDA算法进行EEG信号的特征提取。利用核函数隐式地将输入数据变换到高维特征空间，使在原空间中线性不可分的数据在特征空间变得线性(或近似线性)可分。其实质是在变换空间寻找一组最佳投影方向，使得在这些投影方向上数据具有类间离散度最大而类内离散度最小的特性。我们做了一系列实验，证实了KFDA算法确实可以应用到意识任务的特征提取与识别中来，而且任何一种线性分类器就可以分开变换后的训练数据，并能测试数据上取得较理想的推广性能。在文中所选用核参数范围内，用线性支持向量机分类器得到的最高识别正确率达到了87.2％。可以说我们的工作为BCI系统的研究提供了一条新的途径。 本文还提出了基于脑电的四阶累积量的特征提取与识别新方法。利用脑电的四阶累积量进行意识任务分类识别，这一点我们是受了以二阶矩——能量为特征的方法的启示。我们发现，对于不同概率分布的随机信号，其二阶矩可以完全相同而归一化四阶累积量却不同，那么归一化四阶累积量应该比二阶矩更具有可区分性。所以我们设想将它应用到意识任务分类识别中。文中对其作了比较详细地研究，并提出了两种递推算法公式。这两种公式计算量都很小，都是可以在线实现的。在对真实脑电信号的实验中，基于四阶累积量的方法取得了很好的效果。我们的研究表明，基于四阶累积量的意识任务分类算法在复杂性、实时性和稳定性方面都具有一定的优势，是一种较有实用价值的BCI实现方法。 在分类方法方面，研究了支持向量机理论及算法，分析利用SVM进行EEG特征的识别与分类的基本步骤，以及在训练SVM过程中如何确定核参数以达到较好的识别正确率和推广能力。

目录

文摘

英文文摘

独创性声明及学位论文版权使用授权书

第一章绪论

第二章脑电信号(EEG)分析

第三章自适应AR模型算法

第四章核Fisher判别分析

第五章支持向量机理论

第六章SVM分类器在意识任务识别中的应用

第七章基于脑电的四阶累积量算法

第八章总结与展望

致谢

在读期间发表论文情况

参考文献