论文部分内容阅读
现实生活中有很多病人因患有严重的运动障碍,比如脊髓损伤或肌肉萎缩性脊髓侧索硬化症(Amyotrophic Lateral Sclerosis, ALS)等,而丧失基本的与外界进行语言或者是肢体沟通的能力。脑机接口(Brain Computer Interface, BCI)通过从人脑采集电信号,然后利用一些机器算法将大脑的不同的状态转换为控制命令,以实现对计算机或其他外部设备的控制。BCI技术可能是唯一种能为这些人提供人机交互可能的方法。目前,BCI技术的研究还处于实验室发展阶段,且现有的BCI系统还存在通讯速度低、识别率低等技术障碍。现在应用到脑机接口上的脑电信号大致可以分为两类：一类是诱发脑电信号,比如视觉诱发电位、事件相关电位(P300)、听觉诱发电位；另一类是自发脑电节律,如α节律、p节律和μ节律。本文分别对基本诱发脑电的BCI和基于自发脑电的BCI开展了研究。其中,基于诱发脑电的BCI采用的脑电信号是事件相关电位(P300),基于自发脑电的BCI所采用的脑电信号是p节律和μ节律。在基于P300-ERP的BCI研究中,本文提出了一种基于叠加平均理论、共空域模式(Common Spatial Pattern, CSP)和多分类器支持向量机(Support Vector Machine, SVM)的P300检测方法,采用2005年第三次BCI比赛的P300数据对所提出的算法进行实验评估,取得了较好的实验结果,正确识别率为98%。在基于自发电位的BCI研究中,分别应用贝叶斯线性判别分析和Boosting分类器处理BCI竞赛III的数据集I,并对比分析影响最终分类识别结果的因素,如算法的选择、特征向量的选择、导联的选择等。研究结果表明：基于Boosting分类器的算法拥有更好的分类性能,最高的识别率为93%,而且更容易实现。