腦—機接口中運動想象腦電信號的特征提取和分類方法研究.pdf

1、腦-機接口技術(shù)已經(jīng)成為國內(nèi)外研究的一個熱點，它不僅是一種全新的助殘方式和控制手段，對正常人而言，也能提供一種特殊的信息交流和生活娛樂方式。
　　 腦-機接口中的控制信號可以分為自發(fā)腦電信號和誘發(fā)腦電信號兩類。由于節(jié)律特征比較明顯，目前對基于誘發(fā)腦電信號的腦-機接口技術(shù)的研究相對成熟，但是需要額外的刺激系統(tǒng)。而基于自發(fā)腦電信號的研究采用的腦電控制信號自發(fā)產(chǎn)生，不需要刺激，實際應用起來比較方便，但是節(jié)律特征不是很明顯，這就對特征提取

2、和分類方法提出了很高的要求，目前大多數(shù)的研究還處于實驗室階段，分類正確率不高，很少應用于實際。因此對基于自發(fā)腦電信號的腦-機接口中特征提取和分類方法的研究具有很重要的意義。
　　 運動想象腦電信號是自發(fā)腦電信號的一種，本文利用實驗室NEUROSCAN平臺設計實驗采集腦電數(shù)據(jù)，對想象左手握握力器，想象右手握握力器，想象右腳踩油門三類運動想象任務進行了研究。首先利用NEUROSCAN 平臺中SCAN4.3軟件濾除實驗中不可避免的眼電

3、(EOG)干擾成分，然后提出了一種FFT和IFFT結(jié)合的方法對濾除眼電后的運動想象腦電信號進行濾波，并對濾波后的數(shù)據(jù)進行了平均能量分析，來驗證濾波的可行性。
　　 在特征提取方面，對基于AR模型的功率譜估計和離散小波分析兩種特征提取方法作了分析。在運用常用的基于AR模型的功率譜估計方法時，譜圖顯示ERD現(xiàn)象不大明顯，因此本文設計了一種基于離散小波分析的特征提取方法，并采用此方法提取了信號的兩種特征，分別為能量值特征和能量值與小波

4、系數(shù)的組合特征，作為分類器的輸入，用于后面對這兩種特征和分類器的選擇比較。
　　 在分類器的設計中，介紹了三種分類方法：BP 神經(jīng)網(wǎng)絡分類器，自組織神經(jīng)網(wǎng)絡分類器，粒子群優(yōu)化支持向量機。其中自組織神經(jīng)網(wǎng)絡分類器和粒子群優(yōu)化支持向量機是本文新設計的兩種運動想象EEG 分類方法。分類結(jié)果表明，在特征的選擇上，采用能量值和小波系數(shù)的組合特征進行EEG 分類，效果好于單一的能量值特征，分類正確率較高。在分類方法的選擇上，自組織神經(jīng)網(wǎng)絡和

5、粒子群優(yōu)化支持向量機的分類方法好于常用的BP 神經(jīng)網(wǎng)絡分類器，兩者最高分類正確率都達到了80％。粒子群優(yōu)化支持向量機分類效果稍好，但是增加了網(wǎng)絡的復雜度；
　　 自組織神經(jīng)網(wǎng)絡簡單易于實現(xiàn)，并且能對不同受試者的特征自動進行分類，適應性強，因此本文采用自組織神經(jīng)網(wǎng)絡進行分類器的設計，并在此基礎上，對自組織神經(jīng)網(wǎng)絡的初始權(quán)值的設定進行了算法上的改進，進一步提高了分類正確率。
　　 最后得出結(jié)論：本文通過設計實驗，對想象左手握