基于多種運(yùn)動(dòng)想象腦電信號(hào)識(shí)別的虛擬現(xiàn)實(shí)系統(tǒng)控制方法研究.pdf

1、腦-機(jī)接口(Brain Computer Interface，BCI)是一種人工搭建的不依賴于大腦外周神經(jīng)細(xì)胞與肌肉組織的獨(dú)立信息傳輸渠道，大腦可利用該通道實(shí)現(xiàn)與外部設(shè)備的信息交互。腦電信號(hào)（Electroencephalogram，EEG）是由大腦皮層大量神經(jīng)細(xì)胞突觸后電位同步綜合而形成的生理電信號(hào)，能有效地反應(yīng)大腦思維狀態(tài)和神經(jīng)元活動(dòng)情況?；贓EG信號(hào)的BCI系統(tǒng)具有無創(chuàng)性與直觀性的特點(diǎn)、重要的研究?jī)r(jià)值以及良好的應(yīng)用前景，已成為腦

2、-機(jī)接口研究領(lǐng)域一個(gè)重要的分支。
　　在國(guó)家自然科學(xué)基金項(xiàng)目（61172134）的支持下，本文按照課題“基于多種運(yùn)動(dòng)想象腦電信號(hào)識(shí)別的虛擬現(xiàn)實(shí)系統(tǒng)控制方法研究”的要求，從腦電信號(hào)產(chǎn)生的機(jī)理與特點(diǎn)出發(fā)，對(duì)腦電信號(hào)的采集、預(yù)處理、特征提取、模式識(shí)別方法做了系統(tǒng)的分析和研究，同時(shí)結(jié)合虛擬現(xiàn)實(shí)技術(shù)，設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)在線的基于四類運(yùn)動(dòng)想象腦電控制的虛擬現(xiàn)實(shí)BCI系統(tǒng)，利用該BCI系統(tǒng)完成了腦電信號(hào)控制虛擬場(chǎng)景運(yùn)動(dòng)及方向的實(shí)驗(yàn)，為腦-機(jī)接口系

3、統(tǒng)在實(shí)際中的應(yīng)用提供理論與技術(shù)支撐。本文研究的主要內(nèi)容以及創(chuàng)新點(diǎn)如下：
　　在腦電信號(hào)消噪方面，針對(duì)傳統(tǒng)軟閾值函數(shù)在腦電去噪過程中會(huì)丟失部分重要細(xì)節(jié)信息的問題，提出了一種基于雙變量收縮閾值函數(shù)與HD離散小波相結(jié)合的消噪方法。首先采用HD離散小波對(duì)信號(hào)進(jìn)行分解，再運(yùn)用雙變量閾值函數(shù)對(duì)系數(shù)作收縮處理。仿真結(jié)果表明，該方法可有效地抑制信號(hào)的噪聲，并保留其邊緣特征，相比與常用的閾值收縮去噪方法，具有更佳的細(xì)節(jié)刻畫和信號(hào)還原能力。
　

4、　在腦電信號(hào)特征提取方面，針對(duì)離散小波變換存在抗混疊性差的缺陷，提出了一種基于歸一化雙樹復(fù)小波能量的運(yùn)動(dòng)想象腦電信號(hào)特征提取方法。通過對(duì)仿真與實(shí)測(cè)信號(hào)的分析，證實(shí)雙樹復(fù)小波變換具有良好的混疊抑制能力和抗噪性，其提取的子帶能量特征能更好地反應(yīng)運(yùn)動(dòng)想象腦電的真實(shí)特性。同時(shí)結(jié)合腦電信號(hào)的非線性特征與ERS/ERD現(xiàn)象，利用雙樹復(fù)小波分解得到節(jié)律信號(hào)并提取α波和β波的排列組合熵以表征運(yùn)動(dòng)想象腦電的非線性特征，實(shí)驗(yàn)結(jié)果表明運(yùn)動(dòng)想象EEG信號(hào)的節(jié)律

5、波排列組合熵特征的區(qū)分度要好于完整EEG信號(hào)的排列組合熵特征。
　　在腦電信號(hào)的識(shí)別方法上，提出了一種基于遺傳算法參數(shù)尋優(yōu)的模糊支持向量機(jī)EEG信號(hào)分類方法。模糊支持向量通過選擇一個(gè)適當(dāng)?shù)碾`屬度函數(shù)對(duì)訓(xùn)練樣本進(jìn)行模糊化，賦異值點(diǎn)或噪聲樣本以較小的隸屬度，弱化其中部分野值點(diǎn)對(duì)分類模型的影響，進(jìn)而提升系統(tǒng)的分類性能。同時(shí)采用遺傳算法解決了支持向量機(jī)中最優(yōu)分類參數(shù)組合（懲罰參數(shù)C與核函數(shù)變量γ）的搜索問題。本文選取與左手、右手、腳和舌運(yùn)

6、動(dòng)想象相關(guān)的C3、C4、Cz、Cp4四個(gè)通道的腦電信號(hào)，提取各通道的歸一化雙樹復(fù)小波能量和節(jié)律信號(hào)的排列組合熵作為聯(lián)合特征向量，采用FSVM進(jìn)行分類識(shí)別。離線實(shí)驗(yàn)結(jié)果表明，相比與普通的SVM，基于遺傳算法模糊支持向量機(jī)的EEG信號(hào)分類正確率有較大的提升，其平均識(shí)別率為68.75％。
　　成功搭建了基于運(yùn)動(dòng)想象腦電信號(hào)控制的虛擬現(xiàn)實(shí)平臺(tái)。設(shè)計(jì)了該平臺(tái)的總體實(shí)現(xiàn)方案，利用Matlab和C++混合編程完成了對(duì)BCI客戶端，虛擬現(xiàn)實(shí)漫游系