腦機接口中腦電信號時空處理方法的研究.pdf

1、腦機接口(Brain-Computer Interface,BCI)系統(tǒng)能夠實現人腦和外部設備之間直接的交流與控制，使人腦與外界環(huán)境進行信息交流時不再依賴外周神經和肌肉組織。腦機接口初期研究目的是為有運動殘疾或表達障礙的病人提供與外界交互及控制設備的能力，隨著研究的深入，目前其應用領域越來越廣泛。由于腦電(EEG)信號很容易受到各種生理信號、周邊環(huán)境甚至不同精神狀態(tài)的干擾，信噪比(SNR)很低；同時各被試生理結構的差異導致腦機接口的推廣

2、性受到制約，因此直到目前仍然沒有有效的方法能夠穩(wěn)定可靠的提取普通人的思維腦電特征，導致腦機接口走出實驗室困難重重。本文針對基于運動想象的腦機接口工作不穩(wěn)定的問題，尋找更加穩(wěn)健的特征提取方法并應用到在線腦機接口，主要內容如下：
　　1、研究基于共空間模式(CSP)類算法的空間濾波及想象運動腦電特征提取，對比CSP、多頻段CSP及共空間時間模式(CSSP)算法提取腦電特征的效果，結果表明CSSP算法能夠更有效分離兩種不同思維任務的EE

3、G信號，分類效果最好。這類算法雖然需要較多腦電通道，對噪聲比較敏感，但其正確率明顯高于其它特征提取算法。
　　2、采用卡爾曼濾波算法求解自適應自回歸(AAR)模型參數的方法，實現動態(tài)提取非平穩(wěn)EEG信號特征。結合AAR和多變量AAR(MVAAR)模型參數的優(yōu)點，進一步改進了特征提取方法，更全面描述了想象運動EEG信號特征，有效提高了分類正確率。改進了卡爾曼濾波器狀態(tài)方程中狀態(tài)轉移矩陣，結果表明改進的卡爾曼濾波算法更有助于動態(tài)提取運

4、動想象特征。此外還解決了連續(xù)提取AAR模型參數時數據易發(fā)散問題，使得算法更加適應在線腦機接口系統(tǒng)。
　　3、研究利用盲源信號處理(BSS/ICA)算法直接分離大腦中想象運動源產生的腦電信號，提高腦機接口系統(tǒng)穩(wěn)定性和分類精度。分析了目前典型BSS/ICA算法：AMUSE算法、SOBI算法、JADE算法、基于概率分布的算法及FastICA算法，研究這些算法單獨作用提取運動想象相關腦電特征的分類效果。根據算法特點從時間和空間兩個角度提取

5、和分析運動想象的腦電源信號。從信號的時序結構角度考慮，討論SOBI算法；從信號的統(tǒng)計獨立性角度考慮，研究FastICA算法。實驗結果表明結合SOBI和FastICA算法等BSS/ICA算法的優(yōu)點，從時間和空間角度提取與運動想象相關性更強的源信號，提高系統(tǒng)穩(wěn)定性，同時還消除其它干擾、噪聲信號對腦機接口的影響，推動腦機接口技術的發(fā)展。
　　4、設計基于想象運動的在線腦機接口，實現模擬環(huán)境開關量的控制和模擬小車運行控制。分析了在離線情況

6、下特征提取的方法，為了確定訓練時間對分類正確率的影響，研究了不同小樣本情況對最終分類正確率的影響，分析結果表明對于想象運動，通過半監(jiān)督學習算法能得到比較理想的分類結果。對于模擬開關量控制實驗設計了二分類腦機接口，被試在較短時間內完成改變目標開關量的狀態(tài)。對于模擬小車控制分別設計了二分類和三分類在線腦機接口，三分類腦機接口在控制小車行駛方面強于二分類腦機接口，但是由于EEG高度不平穩(wěn)導致系統(tǒng)工作不穩(wěn)定，對被試要求高。在在線腦機接口的研究中