论文部分内容阅读
人类大脑是自然界进化过程中所产生的最复杂、最精致的构件,具有其他动物无法比拟的高级认知功能,为人类提供了语言、记忆、认识、情感等高级信息处理功能。进入21世纪以来,研究和挖掘大脑的运作机理已成为众多学科研究所面临的最重大的挑战之一。脑-机接口(Brain-computer interface,BCI)通过读取特定脑思维活动,建立大脑与计算机或其他电子设备的通讯和控制技术,而不使用传统外围神经系统。作为典型的多学科汇聚研究领域,脑-机接口是当前国际上增长非常迅速的研究领域。脑-机接口最根本的问题在于如何从脑信号中提取鲁棒的信号特征,并且通过机器学习和模式识别的方法对其进行分类。然而目前由于脑电信号的信噪比很低,现有的脑-机接口信号处理模型与算法无法提供一种稳定的、识别精度高的系统方案。本论文结合脑信号的空间频谱特性,提出了多种信号处理、特征提取和模式分类算法,设计并开发了新型的针对中风病人康复训练的脑-机接口系统,利用信号处理和机器学习算法探究中风患者损伤脑康复训练机理。本论文的贡献和创新点主要体现在以下方面:1.高阶典型相关分析算法:提出了一种新型的高阶典型相关分析算法,该算法基于张量分解的模型,寻找不同类别样本各自的投影空间,并将不同类别的样本投影到各自的投影空间内进行特征提取。该算法和经典的算法进行对比,分类性能得到很大提升。2.不相关多维最近特征线距离算法:提出了一种新型的基于张量分解的不相关特征提取算法,该方法不仅提取了脑电信号时间-空间-频谱多个模态上的高维特性,同时也结合了不同特征维度之间的相关性,最终获取冗余度小的脑电信号特征。利用3个脑电数据集进行计算机仿真实验,实验结果表明该算法性能优于其他经典的脑电信号特征提取算法。3.公共空间频谱集成模式算法:经典的脑电信号分析方法里,公共空间模式(Common Spatial Patterns,CSP)方法被证明是最有效的方法之一。CSP的性能严重依赖于脑电信号的预处理阶段,如将脑电信号滤波到最活跃的空间和频谱范围。然而对于特定人群,如中风病人,其运动想象模式在临床医学界并没有统一的结论。本论文提出了一种新型的基于集成学习的脑电空间频谱特征提取方法,该算法结合了集成学习的优势挖掘运动想象最相关的导联和频率信息。4.基于脑-机接口的中风患者损伤脑康复训练系统:设计并开发了一个新型的基于脑-机接口结合功能性电刺激的(Brain Computer Interface-Functional Electrical Stimulation,BCI-FES)中风病人损伤脑运动功能康复系统,该系统旨在辅助中风患者进行康复训练。我们征集8名中风2个月内的患者参与基于BCI-FES的康复训练,同时设置对照组,结果表明基于BCI-FES的康复训练系统能够提高中风患者康复训练效果。5.损伤脑运动功能康复生理机制:脑运动皮层损伤的病人在做肢体动作想象时,所诱发的去同步电位与正常人的有很大的差异,这种差异表现在空间、频率和幅值范围上。本论文通过机器学习和统计学习等方法研究脑损伤条件下脑-机接口的神经机理、脑机交互范式,挖掘中风患者运动想象脑电数据在空间、频率和幅值多个模态下的特点,挖掘中风患者运动功能康复机理。总之,本论文研究了不同群体大脑在特定任务状态下的脑电信号动态模式和变化规律,提出了多种针对脑电信号在空间、频谱和时序多模态特征提取算法,提高了脑-机接口的性能;设计并开发了基于脑-机接口-功能性电刺激仪的中风病人康复训练系统,该系统能够促进中风病人主动的参与到康复训练当中,进而提升病人的康复训练效果;通过机器学习和模式识别方法探究中风病人脑运动想象过程的康复变化机理,为中风病人的康复训练提供理论基础。