自发脑电脑机接口模式识别关键技术与实验研究

论文摘要

大脑是人体中最复杂的部分,也是宇宙中迄今所知最为复杂的组织结构,脑科学的研究已经成为当代科学研究的热点。由于大脑自身的复杂性,神经联系的丰富多样性,使得大脑研究成为一项十分复杂的课题,正是这种多样性、复杂性决定了脑研究方法的多样和复杂。脑电图检测（Electroencephalography, EEG）成为目前客观记录脑机能状态变化的重要方法之一,而基于EEG的脑机接口（Brain computer interface, BCI）也已成为脑科学的一个新兴研究课题。脑机接口是不依赖于脑的正常输出通路（外周神经系统及肌肉组织）的脑-机（计算机或其它装置）通讯系统,是一种新颖的人机接口方式。它是人类了解和提高脑功能的重要手段,在残疾人康复、正常人辅助控制、娱乐、脑认知等领域有着广泛的应用前景。脑机接口系统中采用的控制信号包括两种类型:自发脑电和诱发脑电。其中,基于自发脑电信号的BCI系统基本工作原理是:人在某些情况下能够产生特定模式的自发EEG,并借助高性能的生物电信号采集系统进行记录;再经过设计的数据处理算法把脑电特征实时地提取出来,进而进行自动分类识别,从而实时判断出当前所处的思维状态;最后通过计算机将判断出来的思维状态翻译成预先设定的控制命令,实现人脑对计算机等外部设备的直接控制。本论文是针对自发脑电信号的模式识别算法及其应用进行研究,首先在自发脑电的信号处理方面,以提高识别精度为目标,围绕自发EEG的特征提取、特征选择和分类三个阶段进行研究,提出和应用了若干模式识别方法,并用标准竞赛数据进行初步检验;然后研究和设计了一种基于自发进行运动控制的BCI系统,在此基础上搭建了实验平台,设计了基于三种运动想象思维任务的实验范例,并用获取的实验数据对所提出的模式识别算法进行比较和分析,进一步验证这些方法的有效性。具体研究内容包括以下几个方面:自发EEG特征提取算法研究:本文在分析现有特征提取方法及存在的问题的基础上,针对脑电信号的非平稳特性,提出了基于小波包分解系数及子空间能量的特征提取、基于经验模态分解和希尔波特变换的特征提取以及一种适用于只含有两类思维任务的BCI系统的阈值判定特征提取,并将提出方法与现有的基于自回归模型参数的特征提取、基于小波变换系数的特征提取进行比较,验证了提出的算法可以获取最佳特征,从而更加有效地进行后续的特征选择和分类。自发EEG特征选择算法研究:特征选择是指从原始特征集中找到最有利于分类的特征子集,以提高分类器的精度和性能。本文提出一种基于基因优化的特征选择算法应用于脑机接口,并与现有的基于遗传算法的特征选择、基于Fisher距离的滤波算法进行比较,验证其有效性。自发EEG特征分类算法研究:分类是依据输入的特征子集,输出特征应该归属的类别。本文将基于概率神经网络的分类、基于支持向量机的分类应用于脑机接口,提出有监督学习的概率神经网络学习算法以及利用基因优化支持向量机模型参数,并与无监督学习的神经网络分类、基于经验支持向量机的分类、基于遗传算法优化支持向量机参数的分类进行比较,证明了它们的有效性和优越性。基于自发EEG的脑-机接口实验系统设计:围绕建立一套6-8通道自发脑电数据采集仪和运动控制机构的目标,完成了整个系统以及各模块的具体设计,包括放大网络、滤波网络、基于无线通信的电气隔离系统、基于USB的输入输出接口电路和基于无线通信的控制系统等模块。为后续的脑机接口扩展研究提供了前提。对所研究的方法进行了理论分析之后,为检验这些方法的有效性,首先采用了2005年脑机接口国际竞赛的标准数据进行初步验证,再基于脑-机接口系统设计搭建实验平台,依据BCI竞赛中标准数据的产生来源,设计采用了三种运动想象任务的实验范例:想象左手拍篮球、想象右手拍篮球、想象右脚踩刹车,并对获得的实验数据进行分析处理,以识别精度为指标,将研究的模式识别方法与其它现有的识别方法进行比较,结果所提出的方法能够取得更好的识别效果。解决了该BCI系统的模式识别部分的关键问题,为下一步的工作打下了基础。由于实验数据的局限性,所提出的模式识别算法的鲁棒性有待进一步验证,论文最后对所做工作和研究成果进行了总结,并提出了下一步的研究内容。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.1.1 课题背景
• 1.1.2 研究意义
• 1.2 脑机接口的定义、特征及分类
• 1.2.1 脑机接口的定义和特点
• 1.2.2 脑机接口系统的类型
• 1.3 脑机接口技术的发展
• 1.3.1 国内外研究现状
• 1.3.2 目前脑机接口技术中存在的主要问题
• 1.4 本文研究目的及研究内容
• 第二章 BCI 系统中的脑电信号分析
• 2.1 大脑的生物电现象
• 2.1.1 大脑皮层的结构与功能
• 2.1.2 神经元与突触
• 2.1.3 神经元的电活动
• 2.1.4 脑电波
• 2.2 BCI 系统中的控制信号
• 2.3 脑电信号分析技术现状及发展
• 2.3.1 脑电信号的特点及其对信号处理的要求
• 2.3.2 脑电信号分析方法研究现状
• 2.3.3 脑机接口系统中脑电信号的分析方法
• 2.4 本章小结
• 第三章 基于时频分析的自发EEG 特征提取方法研究
• 3.1 引言
• 3.2 基于小波包分解系数和子空间能量的特征提取
• 3.2.1 小波变换的定义
• 3.2.2 小波包分解
• 3.2.3 基于小波包分解系数和子空间能量的EEG 特征形成
• 3.2.4 算法特点
• 3.3 基于经验模态分解和希尔波特变换的特征提取
• 3.3.1 瞬时频率
• 3.3.2 经验模态分解（EMD）
• 3.3.3 希尔波特（Hilbert）谱
• 3.3.4 基于EMD 和Hilbert 变换的特征提取
• 3.3.5 算法特点
• 3.4 BCI 2005 Data Set IIIb 分析结果
• 3.4.1 数据描述
• 3.4.2 数据处理结果
• 3.5 本章小结
• 第四章 自发EEG 的特征选择和分类方法研究
• 4.1 特征选择概述
• 4.1.1 特征选择的含义
• 4.1.2 脑机接口中特征选择研究现状
• 4.2 基于遗传算法的特征选择
• 4.2.1 遗传算法简介
• 4.2.2 基于自适应遗传算法的特征选择
• 4.2.3 算法特点
• 4.3 基于基因优化的特征选择
• 4.3.1 基因优化算法简介
• 4.3.2 基于基因优化的EEG 特征选择
• 4.3.3 算法比较分析
• 4.4 BCI 2005 Data Set IIIb 特征选择结果
• 4.5 EEG 特征分类概述
• 4.5.1 分类的含义
• 4.5.2 脑机接口中特征分类研究现状
• 4.6 基于有监督学习的PNN 分类算法
• 4.6.1 神经网络概述
• 4.6.2 PNN 的网络结构和算法
• 4.6.3 基于GA 的有监督学习算法
• 4.6.4 算法特点
• 4.7 基于GO 优化支持向量机参数的分类算法
• 4.7.1 支持向量机基本理论
• 4.7.2 GO 优化支持向量机模型参数
• 4.7.3 算法特点
• 4.8 BCI 2005 Data Set IIIb 分类结果
• 4.9 本章小结
• 第五章 基于自发EEG 的脑机接口系统设计、实验及数据分析
• 5.1 脑-机接口系统的组成
• 5.2 脑机接口系统中的关键技术
• 5.2.1 自发EEG 产生的关键技术
• 5.2.2 自发EEG 采集的关键技术
• 5.2.3 自发EEG 识别的关键技术
• 5.2.4 BCI 系统实际应用中的关键技术
• 5.3 基于自发EEG 控制机器人运动的脑-机接口系统设计
• 5.3.1 系统总体设计
• 5.3.2 各模块的技术方案
• 5.3.3 系统软件设计
• 5.4 基于运动想象的自发EEG 实验系统
• 5.4.1 实验环境及实验系统组成
• 5.4.2 基于运动想象的实验范例及实验过程
• 5.4.3 实验数据记录
• 5.5 特征提取算法处理结果与分析
• 5.5.1 特征提取处理结果
• 5.5.2 特征提取结果分析
• 5.6 特征选择算法处理结果与分析
• 5.6.1 特征选择处理结果
• 5.6.2 特征选择结果分析
• 5.7 特征分类处理结果与分析
• 5.7.1 特征分类处理结果
• 5.7.2 特征分类结果分析
• 5.8 本章小结
• 第六章 总结与展望
• 6.1 工作总结
• 6.2 研究展望
• 参考文献
• 致谢
• 攻读博士学位期间发表、录用和完成的学术论文及申请专利