论文部分内容阅读
脑-机接口(Brain-Computer Interface,BCI)是一门新的技术,随着科学技术的发展越来越受到社会各界的关注。BCI系统通过电极帽等设备检测大脑皮层电活动,将大脑产生的电信号转换为对外部设备的控制信号,实现控制信息的传达进而实现与外部世界的交流。因此可以利用脑电信号(electroencephalogram,EEG)控制外部辅助设备,为行动不便的患者提供重新与外部环境交流的机会。本文对两类运动想象的脑电信号进行了研究,结合脑电信号的非线性和节律性等特点,针对EEG信号提取的特征区分度不明显以及分类识别率不高等问题,从对消除EEG信号中的噪声、提高特征向量的区分度和优化分类器性能入手,提高脑电信号分类识别率。本文主要进行以下研究工作:(1)脑电信号的预处理:在软阈值算法的基础上,采用改进的软阈值算法进行消噪。将改进的软阈值与传统的硬阈值、软阈值进行对比,并且利用信噪比和均方误差定量评估消噪效果。改进后的阈值算法在保留原有算法的优点的同时改进了不足,提高了信噪比。(2)运动想象脑电信号特征提取:针对脑电信号的非线性和非平稳性,且受试者在进行运动想象时会产生ERD/ERS现象。本文提出了小波变换和模糊熵相结合的方法用于运动想象脑电信号的特征提取。对C3和C4通道的脑电信号先利用小波变换进行多层分解提取出alpha节律和beta节律波,然后利用模糊熵对其进行特征提取,并采用2008年的BCI竞赛数据验证有效性和可行性。(3)运动想象脑电信号模式分类:针对支持向量机(SVM)在核函数参数选取上存在的问题,采用粒子群算法(PSO)对支持向量机的惩罚参数C和核参数g进行迭代寻优提高分类器的性能,再将优化后的分类器用于运动想象EEG信号的分类预测,并详细描述了粒子群算法优化SVM的原理和基本流程。(4)实验结果与分析:采用2005年脑-机接口竞赛数据BCI Competition III data IVa和2008年竞赛数据BCI Competition IV Datasets1进行运动想象脑电信号特征提取和分类识别实验。实验1结果表明粒子群优化后支持向量机能有效提高EEG信号的分类识别正确率,实验2采用小波模糊熵进行特征提取后结合粒子群优化支持向量机的算法进行分类,实验结果表明小波模糊熵算法能有效的提取EEG信号特征,PSO优化后SVM分类器识别率比传统的SVM要高。