论文部分内容阅读
脑-机接口技术[1](Brain-Computer Interfaces,BCI)作为近几年来发展迅速的人机交互技术,它的特点是不依赖于肌肉、大脑外周神经、骨骼等人体正常的输出形式,直接由大脑信号控制外接设备。目前脑-机接口技术的研究正处于蓬勃发展的阶段,涉及到生活、医疗、军事、娱乐等诸多领域并发挥着极其重要的作用。严格来说时域脑电信号包含了各种有效的信息,在不进行任何特征提取就直接进行分类的情况下,一方面可以加快运算的速度,但另一方面时域脑电信号的特征维数过多可能会造成“维数灾难”。为了解决这个问题,本文对局部线性嵌入算法(Locally Linear Embedding,LLE)在非线性数据降维中的应用进行了研究,同时针对脑电信号微弱、能量不集中以及受试者之间的差异性等问题,对脑-机接口中的最优电极选择进行了研究,采用粒子群算法(Particle swarm optimization,PSO)来检测最优参考电极,进一步提高了脑电信号检测的分类准确率。本论文的主要的工作如下:(1)搭建了基于SSVEP(Steady State Visual Evoked Potential,SSVEP)的脑-机接口系统的实验平台,设计了基于多频率刺激诱发的SSVEP信号提取的完整实验,招募了十位受试者提取了他们在不同视觉刺激频率下的脑电数据。并详细地从时域、频域、空域三个方面介绍了SSVEP信号的特征提取方法与SSVEP信号的预处理、空间滤波等问题。(2)针对脑电信号特征维数过多的问题,采用基于局部线性嵌入算法对多通道的时域特征进行降维,将该方法与经典的特征提取算法功率谱密度分析(Power Spectral-Density Analysis,PSDA)[2]和典型相关分析法(Canonical Correlation Analysis,CCA)在分类准确率和信息传输速率两个方面进行了比较。实验结果显示基于局部线性嵌入算法的非线性数据降维法在处理非平稳的脑电信号时有着独特的优点,在短时间窗口长度下,局部线性嵌入算法的分类准确率和信息传输率较其它两种方法有明显的优势,虽然中间存在小幅度的波动,但随着时间窗长度的增加,LLE的分类准确率最终超过了另外两种方法。(3)为了提高脑-机接口系统的性能,对每个受试者进行参数优化与通道选择都是需要解决的问题。在基于SSVEP脑-机接口系统中,O1、O2、Oz都是检测脑电信号效果较好的电极,但由于受试者之间的差异,对所有的受试者使用相同的电极不能够达到最好的效果,特别是一些脑部受过损伤的使用者,脑部的部分功能区可能丧失了原有的功能,为了让脑-机接口系统为所有的用户带来方便,对最优电极选择的研究是很有意义的。因此,本文采用粒子群算法对脑-机接口系统的最优电极选择上进行了研究,进一步提高对脑电信号的分类准确率,并与目前比较常用的方法(单电极、双极融合、拉普拉斯融合)在电极选择及不同的时间窗长度下的分类准确率进行了比较。实验结果表明,粒子群算法在最优电极选择上要优于其它几种方法。