论文部分内容阅读
脑-机接口(BCI)是一种不需要外周神经组织参与,大脑与计算机或其他电子设备之间建立的直接交流方式。如何提高BCI设备的识别精度、脑电信号稳定性是当今研究的一重要课题。为解决以上问题,论文通过对运动想象脑电信号的预处理、特征提取、分类识别等算法的研究,提高BCI对脑电信号的识别精度、信噪比和稳定性,获取更多的特征信息,将脑电信号处理后转化为控制外部设备的指令,以解决下肢残障人群能够通过大脑控制轮椅进行自主移动。最后设计一智能轮椅运动控制实验对所提出的算法进行验证。论文具体工作如下:(1)脑电信号的预处理。利用小波阈值的方法对脑电进行消噪处理,通过找到一个合适的阈值作为门阀,消除噪声保留有用信息,并进一步采用了强制消噪、默认阈值消噪和给定阈值消噪三种小波阈值消噪的方法,对脑电信号进行消噪对比分析,论文最后选取小波阈值强制消噪作为脑电信号预处理方法。(2)运动想象脑电信号的特征提取。论文采用DWT、CSP、AR模型、PSD四种算法对脑电信号进行特征提取。PSD以每组信号的总能量作为特征向量,其包含的特征信息少且会发生重叠;DWT提取含有运动想象ERS/ERD现象的频段,并以该频段的能量作为特征向量,其表征的脑电的信息比PSD提出的特征信息更明显;CSP适用于进行分类任务较少的脑电信号的特征提取;利用AR模型进行脑电信号的特征提取,其提取的特征信息更逼近原始信号。最后利用第四章构造的分类器对四种特征提取算法提取的特征向量进行分类识别,对比结果体现了DWT的优越性。(3)运动想象脑电信号的分类识别。支持向量机是传统的运动想象脑电信号的分类器。论文提出了Bagging和Boosting两类集成学习算法,而Boosting算法包括AdaBoost、Gradient Boosting两种算法。以Bagging、Ada Boost、Gradient Boosting三种算法为基础构造Bagging、AdaBoost、Gradient Boosting三种分类器,并对特征向量进行分类识别。其中AdaBoost算法使用指数损失,Gradient Boosting算法可以使用任何损失函数。仿真结果表明Gradient Boosting分类器性能优于Bagging、AdaBoost和支持向量机三种分类器。(4)在实验室实际环境下设计运动想象脑电信号的采集实验,将采集到的脑电信号进行预处理、特征提取、分类识别,通过仿真验证了DWT-Gradient Boosting组合优于其他组合。最后将识别到的信号转换为外部指令,实现轮椅的运动控制,实验结果验证了论文提出的脑电信号特征提取算法、分类识别算法的有效性。