论文部分内容阅读
脑-机接口(Brain-Computer Interface,BCI)是一种基于脑电(Electroencephalogram,EEG)信号的新型人-机交互技术。它通过采集和解码脑电图中规律性特征,在大脑和外部设备之间建立不依赖外周神经和肌肉的直接信息交互通道。该技术可以让神经肌肉受损但大脑功能正常的残疾人与计算机或外部设备进行通信。基于运动想象的脑-机接口将大脑感觉运动皮层mu/beta节律幅度的变化作为检测依据,是目前BCI技术领域的研究热点。目前关于运动想象脑-机接口(Motor Imagery BCI,MIBCI)的各种理论和算法相继被提出,在一定程度上提升了MIBCI系统的性能。但MIBCI系统在走向实用化过程中仍存在许多问题,如系统识别精度低、异步控制困难等。作为BCI系统的核心技术,特征提取和分类算法的优劣将直接影响整个BCI系统的性能。本文首先通过离线分析,对基于共同空间模式(Common Spatial Pattern,CSP)的BCI参数选择进行了研究,然后比较了三种基于运动想象EEG(Motor Imagery EEG,MIEEG)特征的分类方法,最后从自测试与迁移性测试两个方面,比较了CSP和独立成分分析(Independent Component Analysis,ICA)两种空域滤波算法性能的优劣。鉴于CSP空域滤波器和零训练分类器设计简单,识别率高,故本文使用一对一共同空间模式算法(One Versus One Common Spatial Pattern,OVO-CSP)和零训练分类器在VC++平台下搭建了在线运动想象BCI(Motor Imagery BCI,MIBCI)系统。同时,利用alpha节律作为运动想象和空闲状态的转换开关,有效的实现了BCI系统的异步控制。本文的具体工作如下:(1)讨论了基于CSP的参数优化问题并对比了三种分类方法的性能。本文通过离线分析的方式对特征提取频段、CSP训练样本个数以及运动想象数据段等参数进行了优化。基于离线MIEEG和CSP特征提取算法,讨论了三种分类器的性能,结果显示零训练分类器具有更高的识别率。在分类器迁移测试过程中,将机器学习分类器和CSP空域滤波器组合进行迁移,所得到的识别率最高。(2)从自测试和迁移性测试两个方面,对比分析了CSP和ICA的性能。实验结果显示,在自测试结果中CSP高于ICA,迁移性测试结果中ICA明显优于CSP。但考虑到ICA设计过程复杂,且对导联分布比较敏感,CSP设计过程简单,并具有良好的可操作性和实用性。本文选择CSP作为在线MIBCI系统的特征提取算法。(3)实现了一种基于脑电节律波的异步在线BCI系统。针对在线BCI系统的识别率和控制方式,本文提出利用OVO-CSP对MIEEG数据进行特征提取并结合alpha节律进行异步控制,搭建了一种简单实用的在线MIBCI系统。系统具有简单的人机-交互界面,可以实时的显示在线采集的EEG数据,并且提供了实时任务分类和视觉反馈等功能。受试者通过闭眼产生的alpha节律波控制运动想象的开始,同时通过感觉运动节律控制小球的运动方向。(4)设计了在线MIBCI系统的实验范式。基于该范式的系统可以在线更新CSP滤波器模型,避免CSP模型和参数的导入导出问题,提高了系统的性能和实用性。有四位受试者参加了在线实验,实验结果显示,受试者均可以控制小球运动到终点,平均识别率为83.5%,单次实验识别率最高能达到100%。本文的BCI系统在VC++平台下开发,具有可移植性好,运行速度快、算法复杂度低等特点。