论文部分内容阅读
脑-机接口(brain-computer interface, BCI)是一种不依赖于大脑外周神经与肌肉正常输出通道的通讯控制系统,是在大脑与外部设备之间建立的直接交流通道。基于脑电的BCI技术是脑神经科学,认知科学,康复工程,现代信息学与计算机科学等学科共同发展的产物,实现了人脑意识信息与计算机等电子设备间的交换,对进一步研究人的思维机理,帮助有行为障碍的人康复都具有十分重要的作用。对脑-机接口的研究具有非常重要的科学意义、学术价值和广阔的应用前景,是当今世界研究的热点。基于想象运动的脑电信号(electroencephalogram, EEG)不需要结构化的物理环境,是一种被广泛采用的思维作业方式。脑-机接口技术从实验室研究走向实际应用的关键在于对运动想象脑电信号的识别精度和识别速度问题。本文在总结前人工作的基础上,对脑电信号的采集、处理等问题进行研究。主要包括以下几个方面：第一、进行系统信号采集模块设计。在实验室已有的脑电采集设备和信号采集软件基础上,根据本人的课题研究,设计相应的大脑想象运动任务实验。根据要求,使用VC++6.0编写出相应的脑电信号采集软件。第二、对采集的脑电信号进行预处理。由于脑电信号非常微弱,在采集过程中容易受到各种噪声干扰的影响,对脑电信号必须进行去噪处理。本文主要通过小波变化、数字滤波等方法对采集到的信号进行处理,把信号中的无用成分包括心电、眼电、肌电等伪迹去除掉,提取其中的有效信息为后面的处理做准备。第三、对脑电信号进行特征提取。特征提取的目的是将从预处理后获得的EEG信号变换为能代表不同意识任务的特征向量。能否提取出大脑思维活动中的有效特征信息是BCI研究的关键所在,是正确识别不同思维意识模式的基础。本文主要讨论自适应回归(Adaptive Autoregressive,AAR)模型、独立分量分析(Independent Component Analysis, ICA)、共用空间模式(Common Spatial Pattern,CSP)几种典型的特征提取方法,并进行比较。第四、对脑电特征进行分类识别。采用何种分类设计是BCI系统中另一十分重要的任务,直接影响到BCI系统的性能。本文主要对Fisher线性判别法、神经网络、支持向量机(Support Vector Machine, SVM)几种分类方法进行探讨。