基于多類意識(shí)任務(wù)識(shí)別的電動(dòng)輪椅腦電控制方法研究.pdf

1、腦電（Electroencephalogram，EEG）是一種腦神經(jīng)細(xì)胞的生物電活動(dòng)，反映了大腦的功能狀態(tài)，有效提取腦電信號(hào)中蘊(yùn)含的信息，對(duì)于臨床醫(yī)學(xué)、康復(fù)工程、腦機(jī)接口等諸多領(lǐng)域的研究有著重要的意義。要使腦電信號(hào)控制的康復(fù)輔助裝置能夠按照使用者意愿智能化地服務(wù)于患者，如何有效提高不同場(chǎng)景下運(yùn)動(dòng)想象的識(shí)別率是其中的瓶頸和難點(diǎn)之一，并且已成為康復(fù)工程領(lǐng)域中具有挑戰(zhàn)性的科學(xué)問(wèn)題。
　　本文在國(guó)家自然科學(xué)基金項(xiàng)目（61172134）的支

2、持下，從課題研究的背景及意義出發(fā)，結(jié)合腦電信號(hào)的特點(diǎn)，研究分析了運(yùn)動(dòng)想象狀態(tài)下腦電信號(hào)的采集與預(yù)處理、特征提取及模式分類等過(guò)程，探討了基于多類意識(shí)任務(wù)識(shí)別的電動(dòng)輪椅腦電控制方法。本文主要完成了以下研究工作，并取得了部分創(chuàng)新成果：
　?。?）在腦電信號(hào)預(yù)處理階段：提出了一種基于最小相依成分分析的互信息（Mutual Information based on Least dependent Component Analysis，MIL

3、CA）算法的腦電信號(hào)偽跡消除方法。針對(duì)腦電信號(hào)中眼電和心電串?dāng)_偽跡，首先用提升小波硬閾值法對(duì)多路原始腦電信號(hào)去噪，再運(yùn)用MILCA算法對(duì)各通道信號(hào)進(jìn)行盲源分離，同時(shí)采用信號(hào)間互相關(guān)系數(shù)和互信息量作為指標(biāo)對(duì)偽跡分離的效果進(jìn)行評(píng)價(jià)。實(shí)驗(yàn)對(duì)比分析表明，運(yùn)用MILCA算法能較好地去除腦電信號(hào)中的眼電及心電偽跡，為后續(xù)的特征提取創(chuàng)造了良好的條件。
　?。?）在腦電信號(hào)特征提取階段：針對(duì)離散小波變換處理信號(hào)時(shí)存在的頻譜混疊現(xiàn)象和平移不變性差的

4、問(wèn)題，探討了實(shí)虛二元樹濾波器形式雙樹復(fù)小波變換的原理以及特點(diǎn)，在此基礎(chǔ)上提出了基于雙樹復(fù)小波變換能譜熵的腦電信號(hào)特征提取方法。此外，還研究了通過(guò)改變單一變量階次p來(lái)自動(dòng)調(diào)節(jié)時(shí)頻局部特性的離散分?jǐn)?shù)階傅里葉變換，結(jié)合K近鄰互信息估計(jì)與熵理論，提出了基于離散分?jǐn)?shù)階傅里葉變換互信息熵的腦電信號(hào)特征提取方法。
　?。?）在腦電信號(hào)模式分類階段：提出了基于粒子群算法優(yōu)化支持向量機(jī)的腦電信號(hào)模式分類方法，解決了與分類性能相關(guān)的最優(yōu)參數(shù)（懲罰因子

5、C、核函數(shù)中的參數(shù)變量g）選取問(wèn)題，與傳統(tǒng)網(wǎng)格劃分搜索最優(yōu)參數(shù)的方式相比，算法效率明顯提高。
　?。?）研究了離線狀態(tài)下腦電控制電動(dòng)輪椅的穩(wěn)健方法，給出了基于腦電信號(hào)控制電動(dòng)輪椅實(shí)驗(yàn)平臺(tái)的總體方案，以及基于單片機(jī)的電動(dòng)輪椅控制器改造等，設(shè)計(jì)了腦電信號(hào)采集的實(shí)驗(yàn)方案，對(duì)應(yīng)輪椅前進(jìn)、停止、左轉(zhuǎn)和右轉(zhuǎn)四種控制方式，研究了右腳踩油門、左手握輪椅控制桿向后移、左腳單腳跳并雙手推輪椅向左移和右手握輪椅控制桿向上移四種動(dòng)作作為運(yùn)動(dòng)想象的模式。實(shí)