论文部分内容阅读
脑电(Electroencephalography,EEG)信号处理技术不仅可以应用在临床诊断等医疗研究领域,同时也可以应用在人们的日常生活中。脑-机接口(Brain-Computer Interface,BCI)旨在大脑与计算机之间建立一条独立于外周神经系统与肌肉组织的输出通道,实现大脑与外界的直接通信。其在肢体残疾康复训练、智能操作、军事、娱乐等领域都发挥着巨大的作用。另一方面,基于脑电的身份识别在信息安全领域的应用以其不可复制性和不可强迫性两大优势也极大的丰富了生物特征识别技术,并且成为现代生物特征识别技术的重要补充。本文主要研究基于典型相关分析(Canonical Correlation Analysis,CCA)的便携式稳态视觉诱发电位(Steady State Visual Evoked Potential,SSVEP)和基于经验模态分解(Empirical Mode Decomposition,EMD)的脑电身份识别技术。稳态视觉诱发电位以其特有的无需训练、高信息传输速率、低误码率等特点成为脑-机接口研究的热门。典型相关分析在稳态视觉诱发电位特征提取和分类方面表现出良好的性能。目前所用到的脑电采集设备价格昂贵、体积大、使用清洗较繁琐,阻碍了其在脑-机接口应用方面的应用。Emotiv EPOC+是一种便携式无线脑电采集设备,具有小型化、便携式、易操作以及价格的低廉等特点,非常适合进行脑-机接口的应用性研究。本文深入研究了面向稳态视觉诱发电位的CCA算法,将此算法用于Emotiv EPOC+采集稳态视觉诱发电位的性能分析,实现了四个频率的诱发电位识别仿真,达到97%的准确率,信息传输速率达到了21比特/分钟。同时,分析了电极数量的选取和采样时间的长短对稳态视觉诱发电位性能的影响。希尔伯特-黄变换(Hilbert-Huang Transform,HHT)在时频分析的信号处理中表现出其优越性,通过经验模态分解解决了傅里叶变换窗函数和小波基选择等自适应问题。本文研究了基于EMD的脑电信号处理方法,用于脑电信号预处理中高频噪声的去除。提出了基于EMD去噪方法在脑电身份识别中的应用。该方法在BCI运动想象竞赛数据上进行实验,得到了较好的实验结果,尤其在个别想象动作的个体识别中优于常规方法,最高识别准确率达到了92.222%,充分体现了EMD去噪在脑电身份识别中的可行性以及优越性。最后具体分析了想象不同动作的识别准确率以及电极的选择对识别准确率的影响。对于肢体残疾而大脑意识正常的人来说使用智能设备存在巨大障碍。本文在以上研究的基础上,开发了基于SSVEP的脑电控制手机拨号软件系统,可通过SSVEP获取联系人电话号码,将其发送给手机完成完整拨号功能。同时,增加了电话簿拨号功能,方便了使用者通过陀螺仪感应方式快速寻找联系人。该软件系统对基于Emotiv EPOC+的脑电采集过程做了进一步的规范,可以自适应的应用到各种脑-机接口和脑电身份识别的开发工作中。