论文部分内容阅读
脑机接口(Brain-computer Interface,BCI)是脱离了人体的外围神经系统和肌肉组织,直接建立起人脑和计算机或者其他外围设备之间的信息交互通道,借此,人们可以通过控制自己的思维活动来直接操控外界设备,使得那些患有严重运动型功能障碍疾病但是思维能力正常的患者与外界环境进行交互成为可能。由于脑电信号产生的源是未知的,因此怎样提取这些EEG信号的有效特征成为了推动BCI领域发展的关键点和难点。 目前,BCI领域研究的非植入式脑电信号(Electroencephalogram,EEG)模式主要有:稳态视觉诱发电位(Steady-State Visual Evoked Potential,SSVEP),运动想象电位(Motor Imaginary,MI)和P300电位等。这三种形式的EEG脑电由于其诱发方式简单且特征较为明显从而得到了广泛的研究。 本课题的主要工作是将稀疏判别分析(Sparse Discriminative Analysis,SDA)成功应用到了SSVEP信号和MI电位的特征提取过程中。 针对SSVEP,提出了主成分分析(Principal Component Analysis,PCA)联合多元线性回归的方式提取有效的SSVEP特征。经过实验分析得出,该方法在较短时间窗下能够大幅度提高信号的整体识别精度,并且缩短了训练时间,提高了系统的实时性。在此基础上进一步加入稀疏约束,能够进一步提高系统的识别精度,但系统的适用性会有所下降。 针对MI电位,首先进行分频段滤波,每个频段的信号都采用传统的共空间模式(Common Spatial Patem,CSP)方法来提取方差特征,然后使用SDA对所有频段的特征集作再一次的特征选择。其在一定程度上提高了BCI系统的整体性能和适用性。