基于运动想象的脑—机接口关键技术研究

论文摘要

脑-机接口（BCI）技术是不依赖于常规脑外周神经和肌肉系统,在人脑和外部设备之间建立的一种通讯系统。它利用计算机等设备对特定任务下采集的脑电数据进行分析,将大脑信息转换为控制命令,实现人与外界的交流以及对外部环境的控制。BCI系统提供了一种全新的通讯方式,它可以帮助肢体严重残疾的人,使其在一定程度上恢复与外界交流的能力；或协助患有癫痫和中风等疾病的患者进行生物反馈治疗；以及进行电脑游戏的控制等。目前BCI技术在国际上已引起众多研究者的关注,成为神经工程、生物医学工程、计算机技术、通信等多领域交叉的一个新的研究方向,具有很高的科学和应用价值。针对目前运动想象脑-机接口技术应用中的一些关键技术,本文从在线应用和离线分析两个层面研究了基于左右手运动想象的BCI系统。具体完成工作如下：（1）设计了脑电信号采集系统。利用VC++软件编程实现了自发脑电、诱发脑电信号的实时采集、存储、显示和波形回放,并能对测量的脑电信号进行频谱、功率谱和脑电地形图的实时在线分析和显示。（2）脑电信号预处理与实时特征提取。有效提取大脑相关特征信息是BCI研究的关键技术之一,是正确识别不同意识模式的基础。本文设计了左右手运动想象脑电实验范式,通过实时采集处理软件采集脑电信号,利用独立成分分析（ICA）方法进行诱发脑电信号的去噪处理,有效抑制了测量中眼电的干扰,最后基于功率谱分析和小波分析方法进行脑电实时特征提取,为实现在线脑-机接口系统奠定了基础。（3）基于左右手运动想象脑电的彩色球分类系统设计。该系统采用Fisher线性判别方法对实时提取的左右手运动想象脑电特征进行识别分类,利用分类器输出控制彩色小球落入相应的容器,实现了基于左右手运动想象的在线脑-机接口系统。（4）运动想象脑电信号识别方法研究。针对脑电信号非平稳性和非线性特点,提出了一种将小波包熵（WEP）和支持向量机（SVM）相结合的脑电信号特征识别方法,利用小波包系数能量分布分析脑电时频特性,结合信息熵分析其不确定性和复杂性,并从单次试验中提取运动想象脑电特征；利用支持向量机对特征信号进行分类,提出了一种核函数参数ν和误差惩罚因子c的最佳寻优方法,并利用互信息（MI）、信噪比（SNR）、分类正确率（ACC）等准则对分类器性能进行评判。利用标准脑-机接口竞赛数据对算法进行了离线测试,结果表明左右手运动想象脑电特征分类正确率为90%,MI为0.65bit, SNR为1.44,为大脑运动意识任务分类提供了有效方法。本文研究了脑电信号的采集与分析、运动想象实验范式、脑电信号识别处理算法等,实现了一种在线脑-机接口系统,为开发面向应用的脑-机接口系统打下坚实的基础。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 绪论
• 1.1 脑机接口技术及研究意义
• 1.1.1 脑-机接口
• 1.1.2 脑-机接口系统分类
• 1.1.3 研究意义与应用价值
• 1.2 国内外研究现状与存在问题
• 1.3 主要研究内容与论文结构
• 第二章 脑电信号实时采集与处理软件设计
• 2.1 软件设计关键技术
• 2.1.1 软件开发平台
• 2.1.2 放大器接口设计
• 2.1.3 多线程技术
• 2.1.4 多媒体定时器
• 2.2 实时频谱和功率谱分析及显示
• 2.2.1 实时频谱分析
• 2.2.2 实时功率谱分析
• 2.3 动态脑电地形图的生成与显示
• 2.3.1 BEAM的工作原理
• 2.3.2 空间插值
• 2.3.3 颜色空间模型映射
• 2.3.4 双缓存绘图
• 2.3.5 脑电地形图的绘制
• 2.4 左右手运动想象原理及实验范式设计
• 2.4.1 事件相关同步和去同步
• 2.4.2 实验范式设计
• 2.5 本章小结
• 第三章 基于左右手运动想象的彩色球分类
• 3.1 在线BCI系统设计
• 3.1.1 系统框架
• 3.1.2 左右手运动想象BCI实验
• 3.2 信号处理算法
• 3.2.1 独立成分分析
• 3.2.2 ICA去除伪迹
• 3.2.3 小波分析
• 3.2.4 小波特征提取
• 3.3 彩色球分类系统实现
• 3.3.1 实验流程设计
• 3.3.2 特征提取与分类
• 3.3.3 分类结果融合
• 3.3.4 实验结果分析
• 3.4 本章小节
• 第四章 基于小波包熵的脑电信号特征提取
• 4.1 小波包熵基本理论
• 4.1.1 小波包变换
• 4.1.2 小波包熵
• 4.2 仿真数据及脑电特征描述
• 4.3 基于小波变换的特征提取和分析
• 4.4 基于小波包熵的特征提取和分析
• 4.5 小波包熵脑电地形图
• 4.6 本章小结
• 第五章 基于支持向量机的脑电特征分类
• 5.1 支持向量机
• 5.1.1 支持向量机基本思想
• 5.1.2 最优分类面
• 5.1.3 广义的最优分类面
• 5.2 基于支持向量机的脑电信号分类器设计
• 5.2.1 数据归一化
• 5.2.2 核函数选择
• 5.2.3 参数寻优
• 5.2.4 最佳分类时间选择
• 5.3 分类器评判标准
• 5.4 离线BCI仿真验证
• 5.5 本章小结
• 第六章 总结与展望
• 参考文献
• 攻读学位期间取得的研究成果
• 致谢
• 个人简况及联系方式