论文部分内容阅读
脑卒中近年来成为了我国致死致残的首要病因。一旦罹患脑卒中,患者会留有不同程度的残疾,对社会和家庭带来巨大的负担。脑机接口(BCI)作为一种综合多学科知识的新兴技术,为运动功能障碍患者进行主动康复训练提供了可能。基于运动想象的脑机接口系统是通过获取受试者运动意图的脑电数据,采取有效的特征提取方法,设计精确的分类算法,进而发出执行命令来控制外部设备,帮助病人进行主动康复训练。对基于运动想象脑电信号(EEG)的识别研究,提高EEG信号识别准确率具有理论研究价值和医学应用价值。本文分析了运动想象脑电识别的研究现状,介绍了运动想象脑电识别研究中的数据预处理、特征提取和分类方法。基于脑机接口竞赛提供的公开运动想象EEG信号数据,构建了一个MSC-DMLP框架对EEG信号进行识别。论文主要内容包括:1)首先,对BCI Competition公开运动想象脑电数据集进行带通滤波预处理,然后进行多种尺度的频带划分,并对每个频率子带下脑电数据进行了基于黎曼几何的协方差特征提取,最后融合所有频率子带的特征将其向量化作为分类器的输入。2)设计了一种全新多层感知机的运动想象脑电分类器,其采用递减连接的结构,并通过引入范式来改进Focal loss损失函数,将模型从单纯的经验风险损失改进为结构风险损失,进而从一定程度上减少了模型的过拟合。3)通过分组实验对模型性能评估。本文从运动想象的预处理中频域不同子带,特征提取方法的不同,各个常见的分类器模型,改进的损失函数角度对运动想象脑电数据的识别效果进行了实验,得到了准确率较高的识别框架。最终在BCI Competition IV Dataset 2a四分类的运动想象的数据集上取得了75%平均准确率,并将此方法应用于BCI Competition II Set III的二分类运动想象脑电数据上和常见分类器进行比较,仍然取得了较高的准确率,证明了本文提出的改进的递减多层感知机模型对于运动想象脑电信号识别的有效性。