基于事件相关电位的脑机接口研究

摘要

脑机接口（Brain-Computer Interface，BCI）是在人脑和计算机或其它电子设备之间建立的一种直接信息交流和控制通道，是一种不依赖于常规大脑输出通路（外周神经和肌肉组织）的全新信息交流系统。它为那些丧失了基本肢体运动功能但思维正常的患者，提供一种与外界进行信息交流与控制的新途径，因此正受到越来越广泛的关注。完整的脑机接口系统由信号获取，信号预处理，特征提取和模式识别，控制信号的转化这五部分组成。 本文首先概括地介绍了脑电的神经学基础，特别是事件相关电位的特点，然后介绍了脑机接口的组成以及各部分的作用和常用手段。然后采用了2003年国际BCI大赛提供的两个关于事件相关电位的信号处理和识别的问题，对信号预处理，特征提取和模式识别进行了探究。 P300信号的主要特点是靶刺激出现300ms之后会有一较大的正波，在无噪声干扰情况下，该波峰应该是刺激出现后的最大值。在对P300信号处理中，提取各个字符在靶刺激和非靶刺激出现时的样本序列，通过叠加消除噪声。为了加快处理速度，采用基于P300波峰提取法去除那些P300成分较少、对分类结果贡献不大的电极，保留了有用电极。此后，对这些有用电极的电位进行采样，组成特征向量，用支持向量机分类，分类率达87．24％。 想象左手和舌头运动会引起诱发电位中mu和beta节律频段范围内的分量出现事件相关去同步（event-related desynchronization，ERD）现象，但它们的幅度、频率和作用较明显的电极会有所不同。因此，在对想象动作电位的信号处理中，利用事件相关去同步化现象，选择了有用电极，然后提取这些电极不同频段的能量，接着组合时频域信息，将来自时域和频域的信息组成特征向量进行分类，与以往仅仅使用频域信息进行分类比较，有更高的识别率。 最后，对两个问题的处理过程进行了对比，提出了进一步研究的方向，和进一步提高分类率的措施。

目录

文摘

英文文摘

声明

致谢

1 引言

2 脑电信号处理

2.1 脑电信号的特征

2.1.1 主要特点

2.1.2 主要频率成分

2.1.3 脑电信号的分类

2.2 脑电信号的采集

2.2.1 电极安放位置图

2.2.2 脑电导联方法

2.3 EEG数据的预处理

2.3.1 EEG的噪声干扰

2.3.2 预处理目标

2.3.3 低通滤波

2.4 脑电信号的特征提取

2.4.1 特征提取定义及分类

2.4.2 时域分析和频域分析

2.5 主要的特征提取算法

2.5.1 快速傅立叶变换(Fast Fourier Transform,FFT)

2.5.2 短时傅立叶变换(Short Time Fourier Transform,STFT)

2.5.3 小波变换

2.6 本章小结

3 模式识别

3.1 模式识别概述

3.2 常用方法

3.3 线性判别式分析

3.3.1 基本概念和原理

3.3.2 Fisher判别准则

3.4 支持向量机

3.4.1 最小化准则的提出

3.4.2 线性SVM

3.4.3 非线性SVM

3.5 人工神经网络

3.5.1 神经网络在模式识别中的特点

3.5.2 BP神经网络算法及其识别原理

3.6 本章小解

4 P300信号处理和分类

4.1 P300信号的特性

4.2 实验数据采集

4.2.1 实验场景

4.2.2 耙信号

4.2.3 信号采集和数据存储

4.3 信号预处理

4.3.1 工频噪声的影响

4.3.2 滤波处理

4.3.3 平均叠加消噪

4.4 特征提取

4.4.1 基本特征

4.4.2 电极优选

4.4.3 时域特征提取

4.4.4 特征提取步骤

4.5 支持向量机

4.5.1 LIBSVM简介

4.5.2 LIBSVM的使用

4.5.3 分类实验的目标

4.5.4 分类器设计

4.5.5 结果与讨论

4.6 本章总结

5 两种不同的想象运动的BCI研究

5.1 想象动作的ERD/ERS现象

5.1.1 ERD/ERS的神经生理学意义

5.1.2 想象动作的过程

5.2 实验场景与采样数据

5.2.1 实验场景

5.2.2 实验数据

5.3 信号预处理

5.3.1 基本步骤

5.3.2 小波变换

5.4 特征提取

5.4.1 电位特征提取

5.4.2 功率谱法

5.4.3 基于频率分段的组合特征

5.4.4 基于时频域的组合特征

5.5 本章总结

6 总结

6.1 课题总结

6.2 课题展望

参考文献

作者简历