脑机接口(Brain computerinterface,BCI)通过解读人在思维活动过程中的大脑生理信息,在大脑与外界之间建立一个直接传输信息的通道,在健康监护、高级人机交互等应用领域有广泛的前景。基于运动想象的脑机接口是一类非常重要的脑机交互策略,其特点是检测和分类识别用户思维“想象”相关的脑信号来控制神经假体、轮椅等外部设备来完成已经失去功能的外围神经应有的运动、行走等功能。针对左右手运动想象脑电信号,本文采用了基于小波变换特征提取和主成分分析(Principal Component Analysis,PCA)与支持向量机(Support Vector Machine,SVM)联合分类方法。小波变换多分辨率的特点很适合用来提取随机、非平稳的脑电信号的特征。实际应用中,将BCI Competition Ⅱ 2003脑电数据训练样本进行预处理后与db4小波滤波系数卷积,然后对卷积结果向下偶数位置采样的低频系数作为下一层输入信号与滤波系数卷积运算,重复以上步骤可以实现Mallat四层分解并将低频系数作为特征向量。由于提取的信号特征维度较高,采用PCA降维和SVM分类算法能够避免小波变换带来的维数灾难和过拟合。PCA的降维过程可以看作特征向量与样本均值做差后与PCA的投影矩阵相乘实现降维。利用训练样本对SVM训练,找到对分类效果最好的权系数向量和偏置,最后得到的决策函数,将降维后的特征向量送入到决策函数中得到分类结果。在分类算法的FPGA设计中,首先将脑电信号通过Mallat四层分解模块,得到的维度为98的ca4作为特征向量:其次,在PCA_SVM模块中将matlab里得到的训练样本均值、PCA投影矩阵和SVM最优的权系数向量的乘积固化到ROM中。PCA+SVM模块实质作用使ca4维度降到为15特征向量并与SVM最优的权系数向量相乘;最后,时序控制模块和输出有效位控制模块保证PCA+SVM模块正确有效的输出到输出选择模块,输出选择模块对左右手运动想象脑电信号分类。通过仿真结果表明,本次设计的脑电信号分类系统系统响应时间为9.1us、识别率为93.33%和Kappa系数为0.867,具有一定的稳定性和实时性。图[52]表[4]参考文献[63]