腦機(jī)接口中的運(yùn)動(dòng)想象腦電信號(hào)分析與處理方法研究.pdf

1、腦-機(jī)接口（Brain-Computer Interface，BCI）是一種基于腦電信號(hào)（Electroencephalogram， EEG）的人機(jī)交互方式，它能夠不需要依靠周邊的肌肉和神經(jīng)組織，只依靠腦部信號(hào)便可以達(dá)到自由行動(dòng)及與外界溝通等目的。本文以基于運(yùn)動(dòng)想象的腦電信號(hào)為研究對(duì)象，對(duì)EEG信號(hào)預(yù)處理、特征提取和模式分類等處理過(guò)程進(jìn)行研究。
　　本研究主要內(nèi)容包括：⑴為了減少信號(hào)中的噪聲和其它的干擾成分，利用自適應(yīng)的小波閾值去

2、噪算法對(duì)采集的腦電信號(hào)進(jìn)行處理。實(shí)驗(yàn)采用BCI國(guó)際競(jìng)賽的數(shù)據(jù)集，結(jié)果表明該方法在很大程度上減少了噪聲干擾。⑵由于腦電信號(hào)的非線性特點(diǎn)，提出了將改進(jìn)的經(jīng)驗(yàn)?zāi)B(tài)分解方法與模糊熵算法相結(jié)合的特征提取方法。原始的腦電信號(hào)經(jīng)過(guò)分解得到若干個(gè)固有模態(tài)分量（IMF），然后利用互信息篩選出有用的IMF分量并進(jìn)行重構(gòu)，最后利用模糊熵對(duì)其進(jìn)行特征提取，并采用2008年的BCI競(jìng)賽數(shù)據(jù)驗(yàn)證算法的特征提取效果。⑶當(dāng)采用支持向量機(jī)（SVM）進(jìn)行模式分類時(shí)，核參數(shù)

3、g和懲罰因子C的選擇關(guān)系著分類器的性能，利用人工蜂群算法（ABC）優(yōu)化SVM的模型參數(shù)，以增強(qiáng)分類器的分類性能，并對(duì)提取的腦電信號(hào)特征進(jìn)行模式分類。⑷實(shí)驗(yàn)采用2005年和2008年BCI國(guó)際競(jìng)賽的數(shù)據(jù)集，實(shí)驗(yàn)一對(duì)比了ABC算法與傳統(tǒng)優(yōu)化算法的尋優(yōu)性能，證明了ABC算法具有良好的尋優(yōu)性能。實(shí)驗(yàn)二的結(jié)果表明ABC算法優(yōu)化后增強(qiáng)了SVM的分類性能，有效地提高了腦電信號(hào)的分類正確率。實(shí)驗(yàn)三利用改進(jìn)的EMD和模糊熵算法進(jìn)行特征提取，然后結(jié)合人工蜂