基于想象左右手运动思维脑电识别分类研究

摘要

脑机接口(Brain Computer Interface，BCI)是一种新型的人机交互方式，对残障人士恢复生活自理能力等领域有着极大的推动作用。脑机接口有信号采集、信号分析和控制器三个功能模块，信号分析模块是脑机接口中重要模块。本文采用奥地利格拉茨科技大学BCI研究小组提供的2008年的BCI竞赛数据，对左右手运动想象脑电信号进行分析。
　　本文首先介绍BCI的产生和发展，较为详细地介绍了脑机接口的研究现状以及主要研究方法。在信号预处理方面，本文根据不同被试的频谱图、Alpha频段能量脑地形图以及目前的研究成果，确定了着重探究的导联以及频率段。并对脑电信号的事件相关电位同步/去同步(Event-Related Desynchronization/Synchronization，ERD/ERS)现象进行观测。
　　在特征提取方面，本文受ERS/ERD现象的启发，将完整的单次运动想象脑电信号分为若干段分别计算其频谱能量和四阶累计量作为特征。针对脑电信号的非线性非平稳特性，引入Hurst指数、相位锁定值作为特征向量。本文探究了各类特征的优缺点，并对单一特征、联合特征、主成分分析降维后的特征进行分类比较。在模式分类方面，本文介绍了线性判别分析(Linear Discriminant Analysis，LDA)、支持向量机(Support Vector Machine，SVM)和随机森林分类，对所提取的特征进行分类实验，并仔细地探究了分类器的不同参数对正确率的影响。考虑到分类结果较差，随后采用经过小波包变化、经验模态分解优化后的共空间模式(CommonSpatial Pattern，CSP)提取特征，在ERS/ERD现象并不明显的情况下，最高分类正确率达到96.92％，所有被试平均分类正确率达到了75.72％。
　　本文的创新之处有如下几点:
　　第一，提出了计算相对简单的事件相关电位表征曲线;
　　第二，对脑电信号时间分段之后提取能量以及四阶累积量特征，引入表征信号长程相关性的Hurst指数作为特征，采用随机森林进行分类;
　　第三，将CSP方法分别与小波包变化和经验模态分解结合，进行特征提取，在ERS/ERD现象并不明显的情况下，得到了96.92％正确率。
　　脑电信号分析是一项复杂而具有挑战的研究课题，本文对左右手运动想象脑电信号进行了较为深入的研究，为今后运动想象方面的研究作了一些铺垫工作。

目录

声明

致谢

摘要

序言

1 引言

1．1 脑机接口的定义以及发展历程

1．2 脑电产生的原理

1．3 脑机接口的研究概述

1．4 运动想象脑电信号分类研究现状

1．5 本文研究内容及主要工作

2 运动想象脑电信号预处理

2．1 数据来源

2．2 信号预处理

2．2．1 频域观测

2．2．2 信号滤波

2．2．3 数据归一化

2．2．4 导联筛选

2．2．5 事件相关电位

2．3 本章小节

3 运动想象脑电信号特征提取

3．1 频谱能量

3．2 高阶累积量

3．3 赫斯特指数

3．4 相位锁定值

3．5 本章小节

4 运动想象脑电信号模式分类

4．1 线性判别分析

4．1．1 判别准则

4．1．2 实验结果以及讨论

4．2 支持向量机

4．2．1 判别准则

4．2．2 实验结果以及讨论

4．3 随机森林

4．3．1 判别准则

4．3．2 实验结果以及讨论

4．4 特征与分类方法对比讨论

4．5 特征降维以及模型优化

4．5．1 特征降维

4．5．2 支持向量机参数优化

4．5．3 随机森林参数优化

4．6 本章小结

5 基于共空间模式的分类探究

5．1 共空间模式

5．2 基于WPD-CSP的运动想象分类

5．3 基于EMD-CSP的运动想象分类

5．4 本章小结

6 总结与展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集