论文部分内容阅读
多脑脑机接口是一种有效融合群体用户任务响应特征,充分发挥集体智慧优势,实现提升多脑决策性能的新型脑机接口。其中,多脑脑信号通过超扫描技术进行同步记录。然而,多脑脑机接口方面的研究仍然处于初期发展阶段,相关理论尚不完备。多脑脑机接口本质上是对单脑信息的融合。特征分析是脑信号解码中的关键内容,其在运动想象范式中的问题包括:在单脑运动想象的研究中共空间模式是最为广泛的特征提取方法,存在由于被试之间差异性导致的任务相关时间窗选取问题。而多脑运动想象存在简单线性方法难以有效分析多脑脑电数据高维信息,及通道（空间）对脑电解码的贡献难以量化导致无法选择最优通道的问题。综上,本文从改进单脑运动想象脑机接口的时域特征分析出发,拓展到多脑运动想象脑机接口的时空特征分析方法,研究工作如下:（1）针对单脑运动想象共空间模式算法被试依赖任务相关时间窗选取的问题,本文提出了时间窗滤波器组共空间模式算法（Time-window Filter Bank Common Spatial Pattern,TFBCSP）。该方法通过划分多个时间窗,并将其与滤波器组结合对共空间模式算法进行优化。此外,为了减少因时间窗之间重叠而产生的冗余特征,本研究运用主成分分析和线性判别分析特征降维算法,将TFBCSP算法扩展为TFBCSP-PCA和TFBCSP-LDA算法。其中,TFBCSP-LDA算法在多脑三分类运动想象脑电数据集（不对多脑进行分析）的平均分类正确率达到了81.00%。在BCI竞赛Dataset IV2a数据集上平均分类正确率达到了77.06%,平均Kappa系数达到了0.69。（2）针对简单线性方法难以有效分析多脑运动想象脑电数据高维信息的问题,本文使用多线性分析算法在信号层、特征层和决策层三个层次对多脑运动想象脑电数据进行信息融合。本文使用的多线性分析算法包括多线性主成分分析和多线性判别分析。信号层信息融合首先将多脑脑电数据表征成高维数组,其次,通过多线性分析算法提取高维数组的特征,最后,对提取到的多线性特征分类。特征层和决策层信息融合均采用TFBCSP算法对各单脑脑电数据提取特征。不同的是,特征层信息融合首先将各单脑的特征表征为高维数组,再使用多线性分析算法进行特征融合,最后,对融合后的特征进行分类。而决策层信息融合则是直接使用多线性判别分析对高维数组进行分类。本方法在多脑三分类运动想象脑电数据集上进行了验证。多线性判别分析特征层和决策层信息融合方法的分类正确率高于单脑的分类正确率,并且,平均分类正确率对比单脑中分类结果较好的被试分别提高了4.33%和3.52%。（3）针对通道（空间）对多脑运动想象脑电解码的贡献难以量化导致无法选择最优通道的问题,本文提出了互信息收敛交叉映射（Mutual-information Convergent Cross-mapping,MCCM）通道优化选择算法。MCCM算法用于分析多脑通道之间的因果关系,首先,将互为正向因果关系的通道视为对脑电解码有贡献的通道。其次,用分析得到的因果关系强度量化通道对多脑运动想象脑电解码的贡献。最后,对该方法下的最佳通道数进行选择。本方法在多脑三分类运动想象脑电数据集上进行验证。在多线性主成分分析信号层和特征层信息融合实验中,使用MCCM通道优化选择的平均分类正确率分别高于选择21通道2.17%和1.00%。并且,在多线性判别分析信号层、特征层和决策层信息融合中,平均分类正确率分别高于选择21通道1.50%、2.50%和0.48%。