基于多種運動想象組合的腦電控制電動輪椅方法研究.pdf

1、腦電(Electroencephalogram,EEG)信號蘊含了意念控制的有用信息,在生物醫(yī)學工程、人工智能和神經(jīng)工程學等方面均有廣泛的研究與潛在應用前景?；谀X電信號的腦機接口(Brain Computer Interface,BCI)技術(shù),把腦電信號轉(zhuǎn)化為對外界的控制信號,實現(xiàn)了人腦控制信息與計算機等外設間的交換。因此可以通過對腦電信號的分析獲取人的動作意愿,從而控制助殘裝置。腦機接口技術(shù)已經(jīng)成為人工智能領(lǐng)域的研究熱點課題之一。<

2、br>　　本文在國家自然科學基金項目(61172134)的支持下,研究了腦電信號的預處理、特征提取、模式分類的方法,探討了多模式分層控制的腦機接口智能輪椅的實現(xiàn)方法。本文研究工作的主要成果及創(chuàng)新點如下:
　　(1)在腦電信號預處理階段:采用雙樹復小波變換和 RADICAL算法對腦電信號進行預處理。首先用雙樹復小波變換進行消噪,采用的是分層復閾值函數(shù)處理,并且對比了雙樹復小波變換與小波變換方法對腦電信號的消噪效果。然后經(jīng)過RADIC

3、AL算法盲源分離,實驗表明RADICAL算法能成功得到去除偽跡后的腦電信號,驗證了RADICAL算法在腦電信號盲源分離中的有效性?；陔p樹復小波變換和 RADICAL算法的預處理消噪為腦電信號后續(xù)的特征提取創(chuàng)造了良好的條件。
　　(2)在特征提取方面:提出了基于關(guān)聯(lián)維數(shù)的腦電信號特征提取方法,介紹了嵌入維數(shù)的選取過程。然后提出了基于模糊化符號復雜度的腦電信號特征提取方法,并且比較了基于模糊化符號復雜度和二值化 Lempel-Ziv

4、復雜度這兩種腦電信號特征提取方法。通過實驗證明了模糊化符號復雜度能很好的表征腦電信號特征變化,可以用于腦電信號的特征提取。
　　(3)在模式分類方面:首先對基于關(guān)聯(lián)維數(shù)和基于模糊化符合復雜度兩種特征提取方法的模式識別結(jié)果進行了分析,尋找合適的分類器提高識別的準確率。介紹了多模式分層控制方法,利用EEG關(guān)聯(lián)維數(shù)的差異識別出睜眼和閉眼這兩種狀態(tài)來作為選擇控制模式,ERD/ERS方法識別出兩類腦電運動想象任務,組合成四類不同模式,另外加

5、上安靜閉眼(即沒有運動想象)時這一模式。共用安靜閉眼、閉眼運動想象左手、閉眼運動想象右手、睜眼運動想象左手、睜眼運動想象右手五種模式。步驟是:先根據(jù)EEG關(guān)聯(lián)維數(shù)的差異,EEG關(guān)聯(lián)維數(shù)最小的為安靜閉眼,閉眼的兩類腦電運動想象EEG關(guān)聯(lián)維數(shù)比安靜閉眼大,睜眼的兩類腦電運動想象EEG關(guān)聯(lián)維數(shù)比閉眼的兩類腦電運動想象的要大。再根據(jù)模糊化符號復雜度來識別出兩類腦電運動想象中想象左手還是右手的意識任務。最后選擇出關(guān)聯(lián)維數(shù)和模糊化符合復雜度的聯(lián)合特

6、征向量,利用支持向量機對腦電信號進行有效分類識別,5種模式下腦電信號識別結(jié)果的平均分類正確率約為69％。
　　(4)針對基于腦電信號的電動輪椅控制平臺提出了總體控制方案,介紹了腦機接口系統(tǒng)設計。然后重點描述了基于單片機的電動輪椅控制實現(xiàn)。最后研究了腦電信號控制電動輪椅的命令傳輸實現(xiàn)。多模式分層控制的腦機接口智能輪椅的運動模式的分類就是根據(jù)腦電信號的特征,來判別使用者希望執(zhí)行的指令,結(jié)合輪椅當前的運動狀態(tài),實現(xiàn)速度和方向的控制。所用