基于腦電的意識(shí)任務(wù)特征提取與識(shí)別方法研究.pdf

1、腦機(jī)接口(BCI)是一種全新的人機(jī)接口方式，它不依賴于腦的正常輸出通道(外周神經(jīng)與肌肉系統(tǒng))，而是直接從大腦獲取與外界通訊的信息。腦機(jī)接口的一個(gè)重要用途是為那些思維正常但有嚴(yán)重運(yùn)動(dòng)障礙的患者提供語言交流和環(huán)境控制途徑，提高其生存質(zhì)量。腦機(jī)接口在自動(dòng)控制、軍事領(lǐng)域也有潛在的應(yīng)用價(jià)值。鑒于其巨大的應(yīng)用前景，腦機(jī)接口已引起國(guó)際科學(xué)界的高度重視。腦機(jī)接口研究正成為腦科學(xué)、康復(fù)工程、生物醫(yī)學(xué)工程及人機(jī)自動(dòng)控制研究領(lǐng)域的一個(gè)新的熱點(diǎn)。 當(dāng)前

2、絕大部分腦機(jī)接口是建立在腦電信號(hào)(EEG)基礎(chǔ)上的。腦電信號(hào)是由大腦產(chǎn)生的電活動(dòng)，可以從頭皮或大腦皮層記錄到?；贓EG的信息交換方法的探索就是試圖將EEG或它的某些分量轉(zhuǎn)化為一種新的輸出通道，通過它大腦能夠與外界進(jìn)行信息交換與控制。 在BCI系統(tǒng)中，腦電的特征提取與識(shí)別是非常關(guān)鍵的環(huán)節(jié)。如果此環(huán)節(jié)處理不好，系統(tǒng)就不能正確解讀出使用者意識(shí)活動(dòng)中包含的特殊指令，也就不能對(duì)控制設(shè)備發(fā)出符合使用者意圖的控制指令。本文主要針對(duì)這一環(huán)節(jié)開

3、展了相關(guān)工作。 本論文提出了利用自適應(yīng)AR模型(AAR)進(jìn)行腦電信號(hào)特征提取的方法。因?yàn)槟X電是一種典型的非平穩(wěn)隨機(jī)信號(hào)，而自適應(yīng)AR模型也是一種非平穩(wěn)隨機(jī)模型，它是很適合于描述EEG信號(hào)的。文中我們?cè)敿?xì)研究了該模型在腦電信號(hào)特征提取中的應(yīng)用。利用C3和C4導(dǎo)聯(lián)提取的模型系數(shù)作為信號(hào)的特征向量，并且提出了一種確定模型參數(shù)的方法——最小化相對(duì)誤差方差。實(shí)驗(yàn)結(jié)果顯示，這是一種有效的區(qū)分兩種運(yùn)動(dòng)想象EEG模式的方法，最高識(shí)別正確率達(dá)到了

4、85％。這一非平穩(wěn)模型很好地描述了EEG信號(hào)的非平穩(wěn)隨機(jī)特性，同時(shí)自適應(yīng)的算法為它提供了具有很高時(shí)間分辨率(等于抽樣率[34])的參數(shù)。它的計(jì)算量非常小，很容易滿足實(shí)時(shí)性要求，是一種很好的在線處理方法。但是在包含較多瞬態(tài)過程的高度非平穩(wěn)的EEG信號(hào)中，這一方法很可能會(huì)失敗。這也正是其局限性。 本文提出一種新的基于核Fisher判別分析(KFDA)的腦電信號(hào)特征提取方法。根據(jù)對(duì)國(guó)內(nèi)外文獻(xiàn)的查閱，我們發(fā)現(xiàn)關(guān)于KFDA算法的應(yīng)用報(bào)道還

5、是非常少的，但都取得了很好的效果。我們尚未見到其在EEG信號(hào)處理中的應(yīng)用報(bào)道，所以我們嘗試應(yīng)用KFDA算法進(jìn)行EEG信號(hào)的特征提取。利用核函數(shù)隱式地將輸入數(shù)據(jù)變換到高維特征空間，使在原空間中線性不可分的數(shù)據(jù)在特征空間變得線性(或近似線性)可分。其實(shí)質(zhì)是在變換空間尋找一組最佳投影方向，使得在這些投影方向上數(shù)據(jù)具有類間離散度最大而類內(nèi)離散度最小的特性。我們做了一系列實(shí)驗(yàn)，證實(shí)了KFDA算法確實(shí)可以應(yīng)用到意識(shí)任務(wù)的特征提取與識(shí)別中來，而且任何

6、一種線性分類器就可以分開變換后的訓(xùn)練數(shù)據(jù)，并能測(cè)試數(shù)據(jù)上取得較理想的推廣性能。在文中所選用核參數(shù)范圍內(nèi)，用線性支持向量機(jī)分類器得到的最高識(shí)別正確率達(dá)到了87.2％?？梢哉f我們的工作為BCI系統(tǒng)的研究提供了一條新的途徑。 本文還提出了基于腦電的四階累積量的特征提取與識(shí)別新方法。利用腦電的四階累積量進(jìn)行意識(shí)任務(wù)分類識(shí)別，這一點(diǎn)我們是受了以二階矩——能量為特征的方法的啟示。我們發(fā)現(xiàn)，對(duì)于不同概率分布的隨機(jī)信號(hào)，其二階矩可以完全相同而歸

7、一化四階累積量卻不同，那么歸一化四階累積量應(yīng)該比二階矩更具有可區(qū)分性。所以我們?cè)O(shè)想將它應(yīng)用到意識(shí)任務(wù)分類識(shí)別中。文中對(duì)其作了比較詳細(xì)地研究，并提出了兩種遞推算法公式。這兩種公式計(jì)算量都很小，都是可以在線實(shí)現(xiàn)的。在對(duì)真實(shí)腦電信號(hào)的實(shí)驗(yàn)中，基于四階累積量的方法取得了很好的效果。我們的研究表明，基于四階累積量的意識(shí)任務(wù)分類算法在復(fù)雜性、實(shí)時(shí)性和穩(wěn)定性方面都具有一定的優(yōu)勢(shì)，是一種較有實(shí)用價(jià)值的BCI實(shí)現(xiàn)方法。 在分類方法方面，研究了支持