论文部分内容阅读
脑—机接口(Brain—computer interface,BCI)是建立在人脑与计算机之间的通信系统。通过它,人们能够直接地利用脑部信息来表达想法或控制设备,而不需要语言或动作。BCI不仅可以帮助神经肌肉损伤患者提高生活质量,还可以为健康者提供辅助控制通道,在医疗、军事、交通等领域有着广泛的应用前景。近年来,BCI发展迅速,具有多种类型。其中,基于运动想象的BCI使用方便,控制灵活,受到广泛的关注。此类BCI的关键在于信号处理方法。目前其信号处理方法的主要问题是如何促进BCI的实用化,即如何提高分类精度,减少训练样本,开发异步模式。针对这些问题,本文从预处理、特征提取和分类算法三个方面开展研究工作:
1、挑选电极是BCI重要的预处理步骤。在提高分类精度的同时,减少电极个数,方便BCI系统的安置,具有实用意义。因此,本文提出了一种基于二进制粒子群(Binaryparticle swarm optimization,BPSO)和共空域模式滤波(Common special patterns,CSP)的电极选择算法。该算法从组合优化的角度抽取电极,并且定量分析了不同电极组合和特征分类能力之间的关系,可以根据实际需要调整折中系数。实验表明:该算法可以删除大量无关电极,提高分类精度。
2、特征提取的基础是运动想象的脑电生理背景。目前为止,人们对这些生理背景的认识还很不充分,尤其是运动相关电位(Movement related potential,MRP)。本文针对MRP非振荡、缓慢变化的特点,提出一种时—空滤波算法,联合优化时、空判别信息。该算法是经典的判别空域模式法(Discriminative spatial patterns,DSP)的二维推广。实验表明:该算法能够更加迅速、准确地捕捉MRP的时—空特征,从而大幅提高BCI的分类精度。
3、现有的大多数BCI信号处理方法要求用户输入大量的样本,才能准确地提取特征,获得理想的分类精度。这样不利于BCI的实际应用。因此,本文提出一种基于小样本的自适应空间滤波算提取事件相关去同步/同步(Event—related desynchronization/sync—hronization,ERD/ERS)特征。其思想是依据特征值之间的相邻关系,采用软判决的方式估计样本的噪声概率以及离群程度,并自适应地降低它们对各类特征中心计算的权重。实验表明:该算法可以减少BCI用户的训练量,增强BCI系统的鲁棒性。
4、皮层脑电图(Electrocorticogram,ECoG)BCI信噪比高,具有潜在的应用价值。但是ECoG需要侵入式采集,且非平稳性显著,针对这种情况,本文利用希尔伯特—黄变换(Hilbert—Huang transform,HHT)探索ECoG的频域分布特性,并提出了两种ECoG信号处理算法。(1)先提取和压缩窄带特征,然后封装粒子群(Particle swarm optimization,PSO)和C均值算法以调整特征权重,适应ECoG模式的变化。实验表明:仅用少数电极即可获得理想的分类精度。(2)利用各条窄带幅模—时间序列的均值和振荡差异,抽取频域模式区分不同的运动想象。该方法揭示了ECoG脑源信号在频域的混叠特性,实验表明:只须采集单个电极的ECoG数据,即可获得理想的分类精度,有效地降低了手术风险,减轻了ECoG—BCI对受试者的创伤。
5、异步工作模式是BCI发展的必然趋势,其主要难点在于空闲状态和控制状态的分类。针对此问题,本文提出一种自适应空闲状态检测方法。该方法依据样本特征值的分离紧致度,自动地调节判决门限,并对预测标签进行模糊化处理。实验表明:该算法减轻了用户精神状态的变化给分类算法造成的影响,降低了预测结果的均方误差,提高了空闲状态检测率。
综上所述,本文主要研究了基于运动想象的BCI的信号处理方法。特别的,对于MRP、ERD/ERS的特征提取以及ECoG的频域分布进行了较详细地讨论,最后提出了一种自适应空闲状态检测方法。