论文部分内容阅读
脑机接口技术(BCI)是当今科学研究的一个热门领域,有着巨大的应用价值。脑机接口是一个不依赖于正常的外周神经和肌肉组织传输通道而是直接在大脑和外部环境之间进行通讯的系统。BCI为那些丧失运动及语言能力但是大脑的思维活动正常的人们带来了福音,患者不需要进行语言或者肢体动作而是直接通过大脑来表达自己的想法从而操纵外部设备。BCI还为健康人提供了一种崭新的交流通信模式,并且可以帮助在特殊环境下的工作人员,应用领域十分广泛。事件相关电位ERP是BCI系统中常用的脑电信号,经典的ERP主要成分包括P100、N100、P200、N200、P300,其中P300电位是目前研究最为广泛的一种ERP, P300与注意、记忆等高级心理活动密切相关。本文设计了和经典字符拼写系统相似的基于P300的刺激界面,并进行了脑诱发电位采集实验。由于脑电信号十分微弱,信噪比很低,且在采集过程中常常混入其他的干扰伪迹,影响脑电信号的处理结果和分析判断。本文着重研究P300电位的去噪、特征提取与分类识别算法。主要的工作内容如下：(1)对传统的字符拼写刺激界面做了少许改进,在实验室环境中,选择四名受试者进行P300脑诱发电位采集实验。(2)在脑电信号的预处理过程中,提出了一种基于独立分量分析和经验模态分解相结合(ICA-EMD)的去噪算法来去除EEG信号中常见的眼电干扰伪迹。该算法解决了单独使用ICA方法时不能自动识别伪迹分量和会舍弃一部分有用的脑电信息这两个问题,去噪效果更好,且在实验中无需设置眼电参考信号,操作简便,性能优越。(3)对经过去噪处理和叠加平均之后的脑电信号进行特征提取,融合小波分解和时域能量熵两种方法提取P300特征,选取最能表征P300电位的小波分解近似系数和第4-6段数据的能量熵值作为特征向量,降低数据的维数,减少运算量。选用支持向量机作为分类器对特征向量进行识别分类,结果表明,两种特征融合下的分类准确率较单特征时更高,证明本文所用的算法能有效提高分类器的识别准确率。