多變量腦電信號分析及其在BCI中的應用研究.pdf

1、腦-機接口技術(shù)直接從人體的思維源頭——大腦出發(fā)，建立起連接大腦和計算機或其他設備間的“交流橋梁”，顛覆了原有的依賴外周神經(jīng)和肌肉組織的溝通方式。由于該技術(shù)在醫(yī)學、娛樂、智能生活等多個領域具有廣泛的應用前景，所以成為腦科學研究的熱點之一。
　　本文以多變量運動想象腦電信號為研究對象，對預處理、特征提取、模式分類等信號處理過程進行研究，并應用于電動假肢的腦電控制。本文主要完成的研究工作以及取得的成果，如下：
　?。?）預處理：為

2、了減少噪聲信號的干擾，本文采用了兩種預處理方法：巴特沃斯濾波器和自適應小波閾值消噪法。分別在2008年公開競賽數(shù)據(jù)集上進行實驗，結(jié)果說明前者可以獲取與運動想象節(jié)律信號相關(guān)的頻段信息，后者可以有效地降低噪聲干擾以提高信噪比。
　?。?）特征提取：針對選取IMFs分量依賴于經(jīng)驗的問題，本文提出一種基于噪聲輔助多變量經(jīng)驗模式分解(NA-MEMD)和互信息的有用IMF識別方法，用于腦電特征提取。首先，使用 NA-MEMD算法對多通道信號進

3、行分解得到多尺度IMF分量。然后，采用互信息法分別計算各尺度上信號與其IMF分量、噪聲與其IMF分量、信號IMF分量與噪聲IMF分量之間的相關(guān)性，計算相應的敏感因子以篩選出包含有用信息的IMF分量，將它們疊加起來得到各通道重構(gòu)信號，采用共同空間模式算法提取重構(gòu)信號的特征。該算法自適應選取了與腦電信號相關(guān)的有用信息，提高了特征區(qū)分度。通過與其他選取方法對比，該算法有效性得到驗證。
　?。?）模式分類：針對傳統(tǒng)的高斯過程采用共軛梯度法

4、確定超參數(shù)時對初值有較強依賴性且易陷入局部最優(yōu)的問題，本文提出了一種基于人工蜂群優(yōu)化的高斯過程分類方法，用于腦電信號的模式識別。首先，構(gòu)建高斯過程模型，選擇合適的核函數(shù)且確定待優(yōu)化的參數(shù)。然后，選取識別錯誤率的倒數(shù)為適應度函數(shù)，使用人工蜂群算法搜索尋找出限定范圍內(nèi)可以取得最優(yōu)準確率的超參數(shù)。最后，采用參數(shù)優(yōu)化后的高斯過程分類器對樣本分類，并通過實驗證明本文算法的有效性。
　　（4）多變量運動想象腦電在電動假肢控制上的探究：首先介紹