基于穩(wěn)態(tài)視覺誘發(fā)和運動想象的BCI系統(tǒng)設(shè)計.pdf

1、腦機接口（brain-computer interface，BCI）是利用腦電信號作為人與外部設(shè)備進行通訊的一種方式的系統(tǒng)。目前BCI技術(shù)中主要的腦控算法包括：基于視覺誘發(fā)電位（VEP）、運動想象電位（MI）、慢皮層電位（SCP）、事件相關(guān)電位（ERP）中的P300算法，都屬于單一模式系統(tǒng)，但都存在控制目標(biāo)少或長時間刺激引起視覺疲勞等缺點。本文提出了通過α波切換的穩(wěn)態(tài)視覺誘發(fā)（SSVEP）與運動想象（MI）雙模態(tài)的BCI腦控機器人系統(tǒng)，

2、并對兩種模式下特征提取、分類算法進一步進行改進。
　　當(dāng)系統(tǒng)處于穩(wěn)態(tài)視覺誘發(fā)（SSVEP）模式時，測試者通過一定頻率的視覺刺激控制“阿凡達”機器人進行前進、后退、左轉(zhuǎn)、右轉(zhuǎn)動作。當(dāng)處于運動想象（MI）模式時，通過想象運動使機器人完成左、右手揮手動作。通過實時檢測腦電α波特征進行視覺誘發(fā)、運動想象和空模式三種模式的切換。本文主要研究內(nèi)容包括：
　　1）腦電信號預(yù)處理算法研究。由于視覺誘發(fā)和運動想象腦電信號頻率都集中在5~40H

3、Z頻段，所以首先采用5~40Hz的巴斯沃特帶通濾波器進行濾波，濾波之后通過z-score方式進行標(biāo)準(zhǔn)化處理使腦電特征更容易識別。
　　2）穩(wěn)態(tài)視覺誘發(fā)電位特征提取分類算法的研究。因為傳統(tǒng)的腦電處理知識針對信號層面的，并未考慮個人生理特征差異，因此本文首先采用基于腦電特征的MP匹配追蹤算法對腦電信號對進行處理提高信噪比，使腦電特征更加明顯。處理后的數(shù)據(jù)通過功率譜密度分析方式（PSDA）進行分析。通過對O1，O2，Oz三通道幅值進行求

4、和、比較求出峰值所對應(yīng)的頻率即是誘發(fā)刺激頻率。
　　3）運動想象腦電信號特征提取和分類算法研究。根據(jù)運動想象腦電信號ERD/ERS現(xiàn)象，本文介紹了傳統(tǒng)共同空間模式（CSP）特征提取方式，并針對CSP方式采用導(dǎo)聯(lián)較多的缺點提出了基于小波分析能量和AR模型功率在時域和頻域相結(jié)合的方式進行特征提取。提出了SVM與LDA組合分類方式進行分類，不但能夠減少SVM棄分類或誤分類的概率又能夠具有高效處理少量數(shù)據(jù)、二分類問題的優(yōu)勢，提高分類的穩(wěn)定

5、性和準(zhǔn)確率。
　　4）完成穩(wěn)態(tài)視覺誘發(fā)、運動想象和空三種模式切換的設(shè)計。根據(jù)睜、閉眼對大腦α波的阻斷現(xiàn)象，通過實時檢測腦電信號中O1、O2通道的α波的幅值是否超過已設(shè)定閾值判斷是否進行三種模式的切換。
　　本文提出了根據(jù)α波進行穩(wěn)態(tài)視覺誘發(fā)、運動想象和空三種模式切換的腦控機器人系統(tǒng)，即能夠?qū)嶒灦嗄繕?biāo)控制又避免了長時間視覺刺激進引起的視覺疲勞；同時提出了基于SVM和LDA的組合分類器對運動想象腦電信號進行分類，結(jié)合兩種分類器的