基于想象運動的腦-機接口控制技術(shù)及應(yīng)用.pdf

1、腦-機接口（Brain-Computer Interface，BCI）系統(tǒng)能夠?qū)崿F(xiàn)人腦與外部設(shè)備之間的直接交流和控制，使人腦與外界環(huán)境進(jìn)行信息交流時不再依賴外周神經(jīng)和肌肉組織。由于BCI系統(tǒng)具有巨大的理論研究價值以及實際應(yīng)用前景，該技術(shù)已成為近年來生物醫(yī)學(xué)工程領(lǐng)域中研究的熱點。
　　本文在充分了解國內(nèi)外相關(guān)研究的基礎(chǔ)上，以想象運動作為切入點，使用腦電圖（Electroencephalogram，EEG）腦電信號系統(tǒng)地研究了基于想象

2、運動的腦-機接口，設(shè)計EEG腦電信號提取的實驗方案，對采集得到的腦電信號提取模型參數(shù)特征，選擇合適的分類器對特征向量進(jìn)行分類，并對腦-機接口的實際應(yīng)用進(jìn)行了探索，取得了卓有成效的成果。主要內(nèi)容如下：
　　1、設(shè)計了基于想象左手、右手和腳部運動的腦電信號采集實驗方案。根據(jù)腦電信號產(chǎn)生原理和想象運動腦電信號的特點，設(shè)計了提取想象運動腦電信號的實驗方案和新的實驗范式，提取了三種不同想象運動任務(wù)的腦電數(shù)據(jù)，為后續(xù)的離線分析處理奠定了數(shù)據(jù)基

3、礎(chǔ)。
　　2、進(jìn)行了以模型參數(shù)為特征的分類研究。本文采用模型法對估計功率譜，并分析了自回歸（AutoRegressive，AR）模型提取非平穩(wěn)隨機信號特征的不足，采用自適應(yīng)自回歸（Adaptive AutoRegressive，AAR）模型和多變量自適應(yīng)自回歸（Multi Variable AAR，MVAAR）模型對EEG腦電信號提取特征，并針對想象運動EEG信號的特點，對AAR模型和MVAAR模型進(jìn)行改進(jìn)，為了在通道數(shù)減少的情況

4、下更精準(zhǔn)地表現(xiàn)EEG腦電信號，使用模型參數(shù)作為特征向量。使用Fisher分類器、BP神經(jīng)網(wǎng)絡(luò)和支持向量機（SVM）對三種模型參數(shù)特征進(jìn)行分類識別，并對SVM的參數(shù)進(jìn)行優(yōu)化，提高了分類識別率。
　　3、設(shè)計基于ThinkGear ASIC Module（TGAM）和想象運動的在線腦-機接口系統(tǒng)，實現(xiàn)對移動小車終端的控制。面對同步在線腦-機接口的狀態(tài)判定問題，本文利用基于TGAM的頭戴式設(shè)備作為在線腦-機接口的狀態(tài)監(jiān)測模塊，實現(xiàn)對使用