论文部分内容阅读
脑机接口技术(Brain-Computer Interfaces,BCI)是一种不依赖于肌肉组织和外周神经系统,通过不间断的监控大脑活动中与用户意图相关的特定模式来完成与外部的交流,实现了人直接使用思维去控制外部设备的一种全新人机交互技术。脑机接口技术涉及生理学、神经科学、信号处理和控制理论等多个学科,是一门综合性技术,随着科技的发展,脑机接口技术将在医疗康复、生活娱乐、军事行动等领域发挥重要作用。由于脑电信号的微弱性、随机性等特点,对非侵入式脑机接口记录到的脑电信号进行处理与识别显得非常复杂和困难。为了解决这个问题,本文设计了基于稳态视觉诱发电位(Steady State Visual Evoked Potential,SSVEP)的脑机接口系统,并对时频分析方法在SSVEP频率提取中的应用进行了研究,同时对脑机接口中错误指令诱发的错误相关负电位(Error Related Negativity,ERN)进行了分析,提出一种新的ERN特征提取算法,主要工作如下:SSVEP信号的频率分布和诱发的视觉刺激频率有直接关联,本文设计了一个基于多频率刺激源诱发SSVEP的脑机接口系统,首先对采集到的脑电信号进行预处理、空间滤波、时频变换、频率提取四个步骤的处理,其次对基于平滑伪Wigner-Ville分布(Smoothed Pseudo Wigner-Ville Distribution,SPWVD)的时频分析方法在SSVEP中的应用进行了多方面的分析并与其他常用的频率提取算法进行比较。实验结果表明SPWVD时频分析方法在处理非平稳脑电信号时具有独特的优点,虽然在短时间窗口下,SPWVD时频分析方法的分类准确率和信息传输率低于其他方法,但是这种方法对时间窗的长度更加敏感,在长时间窗下,时频联合分布更能反映信号的特点。随着时间窗的不断增加其效果提升明显,在2.5秒时间窗下SPWVD时频分析方法的分类准确率和信息传输率就已超过其他常用方法。然而脑机接口系统始终不可避免的会出现错误识别及错误指令输出情况,这是限制脑机接口推广与应用的主要原因。由于ERN只存在于错误监测过程之中,而和执行的具体任务相关性不强,因此其可以融入在其他模式的脑机接口中,通过对脑电信号的二次检测来判断系统的识别和输出是否正确,从而对错误的识别进行纠正,可以有效提高脑机接口的可靠性。针对单次ERN检测困难、多通道数据易引起过拟合问题,本文提出了一种使用神经网络将多通道的时域、频域和空间域特征进行两次降维的方法,使这三种特征在互相补充与完善的同时避免了维度灾难,并且使用了受试者操作曲线(Receiver Operating characteristic Curves,ROC)和曲线下面积(Area Under ROC,AUC)定性与定量的分析该方法的特点。虽然ERN信号受到个体差异性的影响大,但是这种多特征混合的特征提取算法的AUC依然能够达到0.7818,高于任意单一特征的效果,并且随着使用的电极通道数据的增加,效果有缓慢的提升。因此,基于SSVEP和ERN的脑机接口具有较高的可靠性,将有助于推广脑机接口技术走向实际应用生活中。