论文部分内容阅读
脑-机接口(Brain-Computer Interface,BCI)是一种新的人机交互界面,其主要任务是利用思维脑电信号实现人脑与计算机或其它外部机电设备的通讯和控制。作为BCI系统输出控制的基础,本论文主要研究了使用事件相关电位(Event-Related Potential,ERP)中P300信号进行脑电思维模式识别的方法。文中首先介绍了诱发电位(Evoked Potential,EP)产生机制的两种假设,其一认为EP是叠加于自发脑电背景之上、由外部刺激诱发产生并与刺激具有锁时关系的神经细胞群电活动信号;其二则认为EP是原自发脑电活动中的一部分、经外部刺激诱发产生相位同步效应所形成的神经细胞群电活动信号。研究结果表明这两种假设在一定程度上是共存的。为充分利用64导脑电数据信息,本文先使用主成分分析(Principal Component Analysis, PCA)将信号降维,然后利用独立分量分析(Independent Component Analysis, ICA)找出代表P300的独立分量,再将得到的分量作相干平均以加强P300的锁时特征;并且将每个行列的序间相干性(Inter-Trial Coherence,ITC)在300ms附近的值作为该行列的锁相特征,每个行列的事件相关谱扰动(Event-Related Spectral Perturbation,ERSP)在300ms附近的值作为该行列的功率特征。目前多数机器学习方法都是基于传统统计学,当样本数目有限时难以取得理想的效果。而基于统计学习理论的支持向量机能够很好的解决小样本的学习问题,本文使用它对信号进行分类,将之与使用人工神经网络的结果进行了对比,可以看出在本课题中,支持向量机的确能够取得更好的表现。对于本文的高维特征,由于支持向量机采用了核函数的方法,学习速度比神经网络要快很多,适合在线学习。