论文部分内容阅读
脑机接口技术(Brain Computer Interface,BCI)是指不依靠脑神经和肌肉组织,通过计算机在大脑和外部环境之间构建一种新的信息传输回路,可以直接实现大脑与外界环境的信息交流,是一种新型的人机交互方式。它能为思维正常但患有肌肉损伤、肌肉功能障碍的群体提供一种与外界交流的新途径,并且在军事应用、娱乐等领域也有着较大的应用前景。脑机接口系统的关键技术是通过对脑电信号进行处理,从中提取出能表征受试者的思维活动的脑电成分,作为分类器的输入,将分类结果转换成控制命令输出,实现对外部设备的控制。本文以提高四类运动想象脑电信号的识别率为目标,结合运动想象脑电信号的特性,对脑电信号的预处理、特征提取以及分类等过程进行了分析研究,主要工作如下:(1)首先介绍了脑电信号的分类及特点,对运动想象脑电信号的特性进行了分析。结合小波包变换(Wavelet Packet Transform,WPT)与快速独立分量分析(Fast Independent Component Analysis,FastICA)两种算法,对脑电信号进行预处理,滤除了脑电信号中的高频噪声与伪迹,便于后续的特征提取和分类。(2)当输入样本量较少,采用卷积神经网络(Convolutional Neural Network,CNN)对脑电信号进行分类时,网络权值得不到充分训练,导致分类效果差。针对以上问题,本文创新性地将公共空间模式(Common Spatial Pattern,CSP)与CNN相结合,对多类运动想象脑电信号进行两级特征提取并分类,与传统脑电分类算法相比,分类正确率有较大提高。(3)较小的脑电信号样本量导致无法充分训练CNN网络权值,而不同实验过程中网络权值的初始值对分类结果影响较大。针对这个问题,本文首先利用遗传(Genetic Algorithm,GA)算法对CNN权值进行预训练,在解空间内进行权值全局寻优;其次,利用误差反向传播(Back Propagation,BP)算法对最优网络权值进行局部修正。实验结果表明,本文所提出的方法能够在小样本量的情况下,达到较好的CNN网络训练效果,比传统利用BP算法对CNN进行权值训练得到的分类结果更加稳定。