论文部分内容阅读
脑电(Electroencephalogram,EEG)特征提取(Feature Extraction)是实现脑-机接口(Brain-Computer Interface,BCI)的关键技术之一。而有效的特征提取技术研究,有利于更好地实现人脑与外界的交流。目前,脑机接口技术在医疗康复领域受到极大的关注与重视,其受众是广大的脑损伤患者,如脑卒中(Stroke)。这类患者在发生脑损后,其脑功能结构发生重构(Reorganization),其生理基础是可塑性(Plasticity)。这一变化可以通过脑电源成像(EEG Source Imaging,ESI)技术呈现。脑功能的研究反服务于脑电信号的特征研究,为临床医疗增添更多可能性。本文主要从脑电分类和源成像的角度对健康人和脑卒中患者的信号进行了对比分析,并将源成像的分析结果用于引导脑电分类。本文的研究成果如下:(1)基于分布式源(Distributed Source)的低分辨率电磁层析成像(Low-Resolution Electromagnetic Tomography,LORETA)算法,利用BESA工具箱对健康人和患者的左右手握拳信号进行成像分析,从两者成像的差异得出健康人和患者大脑活动的差异。从实验结果可以看出,对比健康人,入院康复中的患者的脑功能确实有所改变,这种改变体现在激活区域上。(2)对健康人C3+C4通道的脑电数据进行了四种不同特征的提取:频带能量,连续小波变换,四层离散小波变换中近似分量以及细节分量。将四种特征分别运用线性判别分析(Linear Discrimination Analysis,LDA)和支持向量机(Support Vector Machine,SVM)两种分类器进行特征分类,并用12轮5折交叉验证,得到四种特征下的分类结果,实验结果显示由小波离散变换的近似分量作为特征能够得到很好的分类效果。将该特征提取方法用于患者数据,同样得到LDA/SVM分类器下12轮5折交叉验证的结果,结果显示对比正常人的识别率低约20%。(3)根据患者源成像的结果,即脑区激活位置与健康人不一致。为了提高患者的分类准确率,选择靠近前运动皮层的F3+F4通道的信号,同时对比健康人此种变换通道提取特征的方法,得到的结果是健康人通道变化后识别率降低,而患者变换后识别率上升。(4)对于其他患者数据,分别选择位于前运动皮层(Pre-motor Cortex,PMC)和辅助运动皮层(Supplementary Motor Area,SMA)的AFF5h+AFF6h和FFC3h+FFC4h的电极对信极对信号,对比C3+C4电极对下分类的结果。实验结果表明,脑电特征提取中,提取小波离散变换中近似分量能得到较高的分类效果。但是患者由于脑功能受损引起脑功能和结构的改变,在同样的特征提取和分类结果中表现远远低于健康人。通过脑电源成像的结果,分析患者脑区活跃的区域,变换特征提取的电极通道,能得到较好的分类效果,因此,本文的研究工作具有良好的研究和应用价值。