论文部分内容阅读
头皮脑电(Electroencephalography, EEG)由于其无创性、易采集以及较好的时间分辨率,在神经信息工程的研究中,尤其是最近被广泛关注的脑机接口应用中,有着不可替代的作用。但EEG信号的空间分辨率较低,且具有非平稳和非线性的特性,因此寻求一种能较好刻画头皮脑电特征,并最终实现其模式识别应用的方法,受到了越来越多的关注。本文首先针对基于脑电的疲劳状态识别和预警问题,设计了促疲劳实验以及疲劳评价量表,采集了非疲劳、一般疲劳以及严重疲劳状态的头皮脑电信号,采用希尔伯特-黄变换(Hilbert-Huang Transform, HHT)时频分析方法得到其边际谱能量,给出了疲劳指数的定义和实现,最后获得了本文方法所对应的特征分布。与短时傅里叶变换(Short-time Fourier Transform,STFT)以及小波变换(Wavelet Transform, WT)相比,HHT方法具有更好的时频分辨率;且经验模态分解(Empirical Mode Decomposition, EMD)过程,对于非平稳的脑电信号而言,更具有一种自适应能力。随后本文针对MIT-BIH生理信息库中的睡眠脑电数据,研究时频分析方法在睡眠脑电自动分期中的应用。考虑到传统HHT在进行EMD分解时,内蕴模态函数(intrinsic mode function,IMF)并不能满足单一组分模态的要求,因此本文提出将HHT时频分析方法与小波包变换(Wavelet Package Transform, WPT)相结合,应用于睡眠脑电的分期识别上。小波包变换将改善EMD分解时对信号频率“窄带”的要求,利用高低频的频带细分以及瞬时能量计算,实现对睡眠脑电的自动客观评测,分期平均正确率达到了87.37%,比未改进前的HHT方法有了较大提高。最后考虑到脑机接口技术的广泛关注,本文以国际脑机接口竞赛中的运动想象脑电模式识别为具体应用,在采用小波包和HHT时频分析方法提取事件相关去同步(Event-relatedDesynchronization, ERD)以及事件相关同步(Event-related Synchronization, ERS)特征基础上,本文提出采用一定的IMF权值优化和筛选规则,有效降低了特征提取时的高维数,以及低相关IMF对识别性能的影响。实验结果表明改进后的方法在识别ERD/ERS现象的准确性和快速性方面,有了一定的提高。