论文部分内容阅读
近年来,由于计算机硬件和信号处理技术的飞速发展,使得人们利用脑电信号与计算机之间进行通讯成为可能。脑机接口(BCI)就是一种不依赖于脑的正常输出途径(外周神经系统及肌肉组织),而是基于脑电信号实现人脑与计算机或其它电子设备进行通讯和控制的一种新的人机接口方式。脑机接口作为一种全新的信息交换和控制技术,可以为那些思维正常但有严重运动障碍的患者提供语言交流和环境控制,并且在自动控制、军事领域也有潜在的应用价值。鉴于其巨大的应用前景,脑机接口已经引起国际科学界的高度重视,成为脑科学、康复工程、生物医学工程及人机控制领域的一个研究热点。大脑在进行不同的思维活动时会激活大脑皮层不同区域并能诱发不同EEG节律的生理现象,使得利用EEG信号对思维作业进行分类成为可能,并成为利用思维作业来设计BCI的依据之一。在基于思维作业的BCI系统中,用户进行左右手想象运动、数学思维运算等有关的思维活动,通过脑电采集装置采集相应的脑电信号,提取特征进行分类,然后将不同的思维活动与不同的指令结合起来,实现人脑和外部设备的通信。在BCI系统中,脑电信号的采集、特征提取和识别是关键的环节。如果这些环节处理的不好,系统就不能正确解读出使用者的思维意图,也就不能对控制设备发出符合使用者的控制信号。本文主要基于脑电信号对不同的思维任务进行分类,针对以上环节开展相关的工作:本文采用独立分量分析方法(ICA)对脑电信号进行处理。在医学信号的采集过程中,头皮脑电的记录数据常常混入一些伪迹,去除这些伪迹是必要的。独立分量分是近年发展起来的一种新的统计方法,其基本思想是将观察信号按统计独立的原理通过优化算法分解为若干独立成分,将ICA用于消除EEG中干扰噪声和模式提取已成为今年研究的热点。本文对ICA的基本原理和典型算法进行了研究,重点介绍了Infomax算法和FastICA算法,并验证ICA在语音信号和脑电信号中的消噪效果,实验表明ICA能够在保护有用信号的同时较为成功地削弱甚至完全消除脑电信号中的各种干扰信号,将在医学信号处理领域内有广大的应用前景。本文中采用AR模型系数来描述脑电信号的特征。对于本文采用的思维脑电信号,建立6阶的AR模型进行特征提取,采用AR模型的系数作为特征样本进行分类。并且设计一个合适的BP神经网络分类器对各种思维脑电信号的特征数据进行分类,取得了较好的分类结果。本文对二种到五种思维作业脑电信号进行分类,都获取了较高的分类正确率。