论文部分内容阅读
脑机接口(Brain Computer Interface,BCI)系统能够将大脑意识转换为控制外部设备的指令,涉及神经科学、计算机科学、控制理论等多方面技术。其中,稳态视觉诱发电位(Steady State Visual Evoked Potentials,SSVEP)信号作为脑电(Electroencephalogram,EEG)信号的一种,通过外部视觉刺激,就可以在大脑皮层产生特征明显的节律性信号,具有一定的稳定性和持续性。由于SSVEP信号在刺激频率位置的功率谱分量较为强烈,因此通过功率谱分析方法就可以提取其中的重要特征,在BCI系统中有着广泛的应用。然而,BCI系统对于SSVEP信号分析的准确性、实时性和稳定性有着较高的要求,如何以SSVEP信号为基础,在线准确分析SSVEP信号的特征,并设计出实时稳定的在线BCI系统,是当前BCI系统研究的重点内容之一。本文以四分类意识识别作为问题的切入点,以提高SSVEP信号分析的准确性、实时性和稳定性为目标,重点研究SSVEP信号分析的去伪迹、特征提取和分类识别算法,并通过和底层数据流传输技术相结合的方法提高在线系统的实时性和稳定性。主要研究结果如下:(1)设计和实现了SSVEP视觉刺激范式。选择合适的刺激频率,以便产生相对稳定的SSVEP信号,并对SSVEP信号的离线识别方法和在线处理过程中所涉及的理论知识,以及BCI系统的整体设计思路进行了说明。(2)设计和实现了基于典型相关分析和主成分分析的SSVEP信号识别算法。针对脑电信号中存在比较明显的眼电伪迹,首先对常用的独立成分分析算法和二阶盲辨识算法进行了对比,然后设计出基于典型相关分析的二阶盲辨识算法,提高了SSVEP信号预处理的实时性。针对SSVEP信号的实时特征提取和分类,比较典型相关分析技术相对于功率谱分析技术的处理速度优势,进一步针对典型相关分析所涉及到的通道选择、通道个数选择,以及样本容量问题,采用主成分分析方法对典型相关分析过程进行改进,通过对原始SSVEP信号的降维处理,在不影响识别准确性的前提下,进一步提高了典型相关分析的实时性。(3)设计和实现了基于SSVEP信号的在线BCI系统。针对SSVEP数据流的实时处理问题,采用多线程机制将整个处理过程分解为多个并发执行的子任务,并通过缓冲区策略解决线程之间的速度匹配问题;针对SSVEP数据流的流量变化问题,采用自适应单向模糊推理对数据流的变化趋势进行预测;针对线程并发造成的数据重组错序问题,设计信号量同步与互斥方法对中间数据进行顺序重组。实验结果表明,基于主成分分析的典型相关分析算法对多名受试者具有普遍的适用性,具有较高的识别准确率和识别速度;线程并发和自适应单向模糊推理的方法解决了在线BCI系统的实时性和稳定性问题,缩短了单次Trial平均延迟时间,提高了在线BCI系统的信息传输率。