腦-機接口系統(tǒng)中腦電信號處理方法的研究.pdf

1、腦—機接口(Brain-Computer Interface，BCI)是一種不依賴于常規(guī)大腦的輸出通道（外周神經(jīng)和肌肉組織）實現(xiàn)人腦與計算機或其他電子設備通訊和控制的技術，是一種的全新的信息交流和通訊方式。通過采集大腦皮層的腦電信號（Electroencephalogram，EEG），利用數(shù)據(jù)處理技術解讀大腦的意識活動，從而實現(xiàn)人類“利用大腦思維活動（意識）與外界進行交流”的夢想。腦—機接口技術巨大的理論研究價值和廣闊的應用前景使其成為

2、近年來研究的熱點課題。
　　本文以腦—機接口系統(tǒng)中的核心問題，即腦電信號的處理技術為研究內(nèi)容，深入研究了腦電信號的預處理技術、特征提取技術、特征選擇技術和分類識別技術，并基于對各種方法的研究結果，提出并建立了基于主從特征的異步BCI實驗系統(tǒng)。通過對系統(tǒng)的實際測試，驗證了本文方法在實際應用中的有效性，是對腦—機接口技術的實際應用進行的探索性研究。
　　腦電信號的預處理是去除與腦電信號無關的噪聲信號的過程，是實現(xiàn)腦—機接口系統(tǒng)良

3、好性能的基礎。針對腦電信號中經(jīng)常混雜眼電偽跡的問題，本文采用獨立成分分析和腦電地形圖相結合的方法，實現(xiàn)了腦電信號中眼電偽跡的去除。利用獨立成分分析方法分離腦電信號中各個獨立的信號源，結合腦電地形圖對眼電偽跡成分進行準確識別，通過將該成分置零后恢復原始腦電信號，達到成功消除眼電偽跡的目的。
　　特征提取是整個BCI系統(tǒng)中最重要的部分。本文以運動想象腦電信號為研究對象，基于運動想象腦電信號中存在的事件相關/去同步現(xiàn)象，分別采用小波包變

4、換、小波熵算法和AR模型方法實現(xiàn)腦電信號的特征提取，并構造了6種特征向量集?；谛〔ò纸饧夹g，提出了基于腦電節(jié)律能量比的特征提取方法，提取的特征充分反映了運動想象腦電信號的特點，獲得了較高的識別正確率，從而證明了方法的有效性。
　　特征選擇是對特征提取結果的優(yōu)化處理。本文提出了一種基于SFFS—PLN相結合的特征選擇方法，通過序列向前浮動搜索(Sequential forward floatinseaeching，SFFS)算法

5、實現(xiàn)特征子集的生成，采用分段線性網(wǎng)絡(Piecewise linearnetwork，PLN)對特征子集進行評估，從而確定最優(yōu)特征子集，實現(xiàn)特征選擇。實驗結果表明，該方法有效地減少了冗余特征，提高了識別正確率。
　　特征分類與識別是對大腦意識任務的判斷，用于產(chǎn)生腦—機接口系統(tǒng)對外發(fā)出的控制指令。本文研究了K—近鄰分類算法和基于BP神經(jīng)網(wǎng)絡的識別算法。針對BP神經(jīng)網(wǎng)絡訓練速度慢，不易收斂的問題，提出了權重優(yōu)化的BP神經(jīng)網(wǎng)絡訓練算法，

6、有效地解決了這一問題，使BP神經(jīng)網(wǎng)絡算法在實際BCI系統(tǒng)中具有實用價值。
　　最后，本文綜合對算法的研究成果，對異步BCI系統(tǒng)進行了實驗研究。針對異步BCI系統(tǒng)中空閑與工作狀態(tài)檢測這一難點問題，提出了基于主從特征構建異步BCI系統(tǒng)的方法。首次采用BP特征作為主特征，有效地實現(xiàn)了異步BCI系統(tǒng)中空閑與工作狀態(tài)的檢測。利用腦電節(jié)律能量比作為從特征，實現(xiàn)了不同工作狀態(tài)的識別?；谙胂笞笥沂诌\動的腦電信號，建立了基于主從特征的異步BCI實