论文部分内容阅读
脑-机接口(Brain-computer interface, BCI)的目的是在人脑与计算机组成的单向接口中,仅通过脑电信号便可以控制外部设备。BCI不仅可以帮助神经肌肉损伤患者提高生活质量,还可以为健康者提供辅助控制通道,在医疗、军事、交通等领域有着广泛的应用前景。近年来,BCI发展迅速,具有多种类型。其中,基于运动想象的BCI使用方便,控制灵活,受到广泛的关注。此类BCI的关键在于信号处理方法。目前其信号处理方法的主要问题是如何促进BCI的实用化,即如何提高分类精度,减少训练样本。针对这些问题,本文从预处理、特征提取和分类算法三个方面开展研究工作:1、介绍脑机接口的评价方法、脑电信号的预处理以及特征提取方法。2、通道选择是BCI重要的预处理步骤。在提高分类精度的同时,减少通道个数,方便BCI系统的安置,具有实用意义。因此,本文提出了一种基于遗传算法(Genetic Algorithms, GA)和共空间模式滤波(Common special patterns, CSP)的通道选择算法。该算法从组合优化的角度抽取电极,实验表明:该算法可以删除大量无关通道,提高分类精度。3、现有的大多数BCI信号处理方法要求用户输入大量的样本,才能准确地提取特征,获得理想的分类精度。这样不利于BCI的实际应用。因此,本文提出了一种基于半监督隐马尔可夫模型对EEG信号进行了分析。在每一次的迭代中,训练集与测试集都参与模型的更新学习。而且我们提出了基于瑞利系数的半监督方法进行隐马尔可夫模型的参数学习。最后我们与可分性比较好且利用比较广泛的半监督支持向量机进行了比较,结果表明本文所提出的方法的有效性。综上所述,本文主要研究了基于运动想象的BCI的信号处理方法。