论文部分内容阅读
脑机接口(brain computer interface,BCI)是一种在大脑与外部电子设备之间建立的不依赖于肌肉组织或外围神经的新型信息传输装置,这项技术在帮助残疾人康复、娱乐及军事等多个领域体现出应用价值。目前,BCI技术向更加实用化、可穿戴化的方向发展,因此少通道BCI越来越受到关注。运动想象属于一种不依赖外界刺激的信号,适合作为异步BCI系统的输入。由于单模态BCI往往存在自身模态无法弥补的不足,因此双模态BCI的研究逐渐成为趋势。本文主要针对基于脑电(electroencephalograph,EEG)和近红外脑功能成像(functional near-infrared spectroscopy,fNIRS)双模态的运动想象BCI的少通道特征提取及双模态特征融合进行了研究,取得的主要成果如下:(1)为充分利用少通道有限的信息,本文提出了结合时-频-空三域的特征提取方法,首先在频域利用多变量经验模态分解(multivariate empirical mode decomposition,MEMD)自适应地分解出与运动想象相关的频带成分进行通道重构,接着在时域将重构后的通道利用相空间重构(phase space reconstruction,PSR)进行通道扩展,最后将扩展后的通道利用共空间模式(common space pattern,CSP)进行空域滤波。将本研究提出的MEMD+PSR+CSP 方法与 MEMD+CSP、PSR+CSP 方法通过支持向量机(support vector machine,SVM)分类比较,发现本方法取得平均正确率为81.3%,而后两者取得平均正确率分别为67.2%、78.6%,说明结合三域的特征提取方法能提取出更多少通道的信息。(2)针对MEMD方法存在模态混叠和计算耗时的不足,本研究提出了利用正弦信号进行改进的算法sin-MEMD,此方法选取合适的正弦信号作为辅助信号与原来含有n个通道的待分解信号构成n+1个通道后交由MEMD进行分解,而正弦信号的加入正是利用了 MEMD算法本身模态对齐的特性,为原信号提供了分解参考尺度,从而减轻模态混叠,减少固有模态函数(intrinsic mode function,IMF)的筛分时间。利用传统的MEMD和本研究提出的sin-MEMD对EEG数据进行分解,结果证明sin-MEMD确实能有效减轻模态混叠,另外MEMD花费约30s时sin-MEMD只需花费约4.7s,说明sin-MEMD确实提高了计算效率。(3)为充分发挥双模态融合的优势,在对EEG数据和fNIRS各自进行特征提取后,本研究提出了利用二次规划特征选择方法(quadratic programming feature selection,QPFS)选取两者中的优势特征进行融合,最后交由SVM分类。融合结果表明:双模态取得平均正确率为87.1%,比单模态EEG提高了 6.1%,比单模态fNIRS提高了 30%,大多数被试的双模态结果好于单模态,某一模态反映不明显时,仍能从另一模态获得较高的正确率,从而证明了双模态在正确率和鲁棒性方面均具优势。