基于穩(wěn)態(tài)視覺誘發(fā)電位的腦機(jī)接口系統(tǒng)設(shè)計(jì)及相關(guān)算法的研究.pdf

1、腦-機(jī)接口技術(shù)[1](Brain-Computer Interfaces，BCI)作為近幾年來發(fā)展迅速的人機(jī)交互技術(shù)，它的特點(diǎn)是不依賴于肌肉、大腦外周神經(jīng)、骨骼等人體正常的輸出形式，直接由大腦信號(hào)控制外接設(shè)備。目前腦-機(jī)接口技術(shù)的研究正處于蓬勃發(fā)展的階段，涉及到生活、醫(yī)療、軍事、娛樂等諸多領(lǐng)域并發(fā)揮著極其重要的作用。
　　嚴(yán)格來說時(shí)域腦電信號(hào)包含了各種有效的信息，在不進(jìn)行任何特征提取就直接進(jìn)行分類的情況下，一方面可以加快運(yùn)算的速度

2、，但另一方面時(shí)域腦電信號(hào)的特征維數(shù)過多可能會(huì)造成“維數(shù)災(zāi)難”。為了解決這個(gè)問題，本文對(duì)局部線性嵌入算法(Locally LinearEmbedding，LLE)在非線性數(shù)據(jù)降維中的應(yīng)用進(jìn)行了研究，同時(shí)針對(duì)腦電信號(hào)微弱、能量不集中以及受試者之間的差異性等問題，對(duì)腦-機(jī)接口中的最優(yōu)電極選擇進(jìn)行了研究，采用粒子群算法(Particle swarm optimization，PSO)來檢測(cè)最優(yōu)參考電極，進(jìn)一步提高了腦電信號(hào)檢測(cè)的分類準(zhǔn)確率。本論

3、文的主要的工作如下:
　　(1)搭建了基于SSVEP(Steady State Visual Evoked Potential，SSVEP)的腦-機(jī)接口系統(tǒng)的實(shí)驗(yàn)平臺(tái)，設(shè)計(jì)了基于多頻率刺激誘發(fā)的SSVEP信號(hào)提取的完整實(shí)驗(yàn)，招募了十位受試者提取了他們?cè)诓煌曈X刺激頻率下的腦電數(shù)據(jù)。并詳細(xì)地從時(shí)域、頻域、空域三個(gè)方面介紹了SSVEP信號(hào)的特征提取方法與SSVEP信號(hào)的預(yù)處理、空間濾波等問題。
　　(2)針對(duì)腦電信號(hào)特征維數(shù)過多

4、的問題，采用基于局部線性嵌入算法對(duì)多通道的時(shí)域特征進(jìn)行降維，將該方法與經(jīng)典的特征提取算法功率譜密度分析(Power Spectral-DensityAnalysis，PSDA)[2]和典型相關(guān)分析法(Canonical Correlation Analysis，CCA)在分類準(zhǔn)確率和信息傳輸速率兩個(gè)方面進(jìn)行了比較。實(shí)驗(yàn)結(jié)果顯示基于局部線性嵌入算法的非線性數(shù)據(jù)降維法在處理非平穩(wěn)的腦電信號(hào)時(shí)有著獨(dú)特的優(yōu)點(diǎn)，在短時(shí)間窗口長(zhǎng)度下，局部線性嵌入算

5、法的分類準(zhǔn)確率和信息傳輸率較其它兩種方法有明顯的優(yōu)勢(shì)，雖然中間存在小幅度的波動(dòng)，但隨著時(shí)間窗長(zhǎng)度的增加，LLE的分類準(zhǔn)確率最終超過了另外兩種方法。
　　(3)為了提高腦-機(jī)接口系統(tǒng)的性能，對(duì)每個(gè)受試者進(jìn)行參數(shù)優(yōu)化與通道選擇都是需要解決的問題。在基于SSVEP腦-機(jī)接口系統(tǒng)中，O1、O2、Oz都是檢測(cè)腦電信號(hào)效果較好的電極，但由于受試者之間的差異，對(duì)所有的受試者使用相同的電極不能夠達(dá)到最好的效果，特別是一些腦部受過損傷的使用者，腦部