基于BCI多动作模式的ERD/ERS信号分析及识别方法的研究

论文摘要

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。由于其在康复工程、脑科学研究、人工智能等领域的重要应用价值,脑—机接口正成为研究热点之一。本文的研究对象是想象动作过程中产生的事件相关去同步（Event Related Desynchronization,ERD）/事件相关同步（Event Related Synchronization, ERS）。目前所见到的文献中对左右手产生的ERD/ERS信号讨论较多,对于其特征频段以及对应的大脑皮层活动区域已有较为可信的研究成果,但却很少见到关于脚和舌部动作产生的ERD/ERS信号的报道,对于这两种动作的特征频段和对应的脑部活动区还没有得到一个有说服力的结果。本课题的主要工作就是对左手、右手、脚、舌头四种想象动作诱发的ERD/ERS信号的分析和分类提取,得到关于四种动作模式ERD/ERS信号的特征（重点是脚和舌部动作）,并利用这些特征寻求有效的动作模式分类识别算法。课题所采用的数据来源于BCI competition 2005 dataⅢa,是由奥地利Graz工业大学BCI实验室采集的,有很好的可靠性。我们用多种方法包括时频图谱法（Time-Frequency Spectrogram,TFS）、功率谱密度（Power Spectral Density, PSD）曲线法、ERD/ERS系数法和脑地形图法、功率谱熵（Power Spectral Entropy, PSE）分析法、小波熵（Wavelet Entropy, WE）分析以及基于独立分量分析（ICA）的频域以及基于独立分量分析（Independent Component Analysis,ICA）的频域—空间滤波方法对四种动作模式的实验信号进行了细致的分析。不仅印证了文献中关于左右手动作的结论,还使我们对脚和舌头动作的ERD/ERS特征信息有了较清晰的认识,包括ERD/ERS明显的特征频段,与其它动作区分度好的导联—频率,以及对应的脑部活动区。在此基础上,我们用多种方法对实验信号进行了特征提取和分类,结果证明基于ICA的信号提取算法和基于支持向量机（Support Vector Machine,SVM）的分类方法的结合是识别想象动作电位思维模式非常有效的手段。这种算法取得了较高的分类正确率（最高的组为91.4%,最低的组为77.6%）,后经改进在保持较高分类正确率的前提下大大缩短了计算所需的时间（降低到原来的15%～20%）,为最终实现基于想象动作电位的实时BCI系统奠定了基础。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 本课题的研究背景
• 1.1.1 BCI系统简介
• 1.1.2 BCI中的脑电控制信号及国内外研究现状
• 1.1.3 独立成分分析（ICA）简介
• 1.2 本课题的目的和意义
• 1.3 本课题的研究内容与章节安排
• 1.3.1 课题的研究内容
• 1.3.2 课题的章节安排
• 第二章 EEG基础和ERD/ERS导论
• 2.1 人脑结构与EEG产生基础
• 2.1.1 人脑的结构
• 2.1.2 大脑皮质的分区与功能定位
• 2.1.3 EEG的产生机理、种类及特征
• 2.1.4 脑电的采集
• 2.2 ERD/ERS研究
• 2.2.1 自发脑电
• 2.2.2 想象动作电位
• 2.2.3 诱发脑电
• 第三章 ERD/ERS信号分析和分类提取
• 3.1 时频图谱结合功率谱密度曲线分析法
• 3.1.1 短时傅里叶变换理论基础
• 3.1.2 基于短时傅里叶变换的时频分析法
• 3.1.3 功率谱密度算法的性能评价
• 3.2 脑地形图法
• 3.3 功率谱熵（Power Spectral Entropy,PSE）分析
• 3.3.1 功率谱熵理论基础
• 3.3.2 基于功率谱熵的EEG信号分析
• 3.3.3 功率谱熵算法性能评价
• 3.4 小波熵（Wavelet Entropy,WE）分析
• 3.4.1 小波变换理论基础
• 3.4.2 基于小波变换的小波熵理论
• 3.4.3 基于小波熵的EEG信号分析
• 3.4.4 小波熵算法性能评价
• 3.5 基于ICA的分析方法
• 3.5.1 以ERD/ERS系数为参数的ICA滤波
• 3.5.2 ICA空间滤波
• 3.6 ERS/ERD信号的提取与动作的分类识别
• 3.6.1 ERD/ERS系数法
• 3.6.2 ERD/ERS系数+支持向量机（SVM）分类法
• 3.6.3 以ERD/ERS系数为参数的ICA滤波+SVM分类
• 第四章 课题总结与展望
• 4.1 课题总结
• 4.2 课题展望
• 参考文献
• 致谢