论文部分内容阅读
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。