论文部分内容阅读
脑-机接口(Brain-computer interface,BCI)是一种不依赖于人的正常的由外围神经和肌肉组成的输出通道而建立的人脑与计算机或其他设备之间的的通讯系统。BCI是一种全新的交互方式,涉及脑科学、康复工程、生物医学、人机控制等多个学科,是近年来脑功能研究的热点。BCI技术既可以帮助人们了解和提高脑功能,又可以为残疾人或肢体障碍的患者与外界环境的交流提供一种新的方式,在康复医学、脑认知、交通等多个领域有着广阔的应用前景。 脑信号的特征提取和分类是BCI技术中的关键问题。目前在BCI中应用最广泛的输入信号是头皮脑电图(Electroencephalogram,EEG),除此之外,其他信号比如皮层脑电图(Electrocorticography,ECoG)和脑磁图(Magnetoencephalography, MEG)等也可以应用于BCI。本文分别对以EEG、ECoG和MEG为输入的BCI系统的特征提取和分类算法进行了深入的研究,并探讨了不同输入信号的BCI系统的异同点。本文的主要内容有: 1.分析了典型的基于运动想象的采用C3、C4等少数导联的BCI研究中的EEG信号特点,根据EEG信号说明了小波包分解中节点的频带交错现象,提出了小波方差应用于EEG信号的特征提取方法和使用符号函数作为最简线性分类器的分类方法,并结合相对小波包能量为特征的分类结果进行了比较。 2.针对基于运动想象EEG的BCI中的分类效果的评价,提出了分类速率的概念,并以此结合分类正确率、互信息、互信息陡度作为BCI系统的评价标准。分别以小波方差和小波包方差为EEG信号的特征,使用支持向量机(Support vector machine,SVM)作为分类器,将分类结果与小波方差结合符号函数的结果以及BCI竞赛成绩作了比较。结果表明,以小波方差和小波包方差结合SVM的方法最大互信息陡度达到了0.33bit/s和0.36bit/s,最大分类速率达到了21.34%/s和22.14%/s,均高于竞赛成绩的0.13bit/s和8.56%/s。 3.针对使用多导联提取的ECoG信号为输入的典型BCI系统,在对信号进行分析和预处理的基础上,提出使用小波方差作为ECoG信号特征的特征提取方法,根据分析各导联小波方差的差别,提取出少数特征明显导联的小波方差特征,并结合概率神经网络(Probablistic neural network,PNN)、Fisher线性判别分析(Fisher lineardiscriminant analysis,FLDA)以及SVM进行分类。结果表明,小波方差结合FLDA的方法计算简单、分类速度快,并且分类正确率达到了92%,高于竞赛优胜者的成绩,从而说明小波方差不仅适合分析EEG信号,也适合分析ECoG信号。 4.针对使用MEG信号为输入的四类任务的BCI系统,通过对两名被试频谱和频带能量的分析,提出了结合统计特征和频带能量的特征提取方法,并使用线性Classify函数进行直接分类和二次分类。二次分类的结果表明,结合统计特征和频带能量的特征提取方法是有效的,其平均分类正确率为54.38%,高于竞赛第一名46.9%的成绩。同时,提出利用曲线相似度作为MEG信号的特征提取方法,根据训练集数据提取对应四类任务的标准曲线,并根据测试集数据与标准曲线的信号相关系数大小或曲线拟合确定系数大小来确定测试信号的类别归属,无需专门设计分类器,分类正确率分别达到42.81%和43.5%,接近竞赛第一名的成绩,远高于竞赛第二名的成绩,因此为MEG信号和BCI研究中的特征提取方法提供了一种新的思路。 5.针对基于EEG、ECoG和MEG的多源脑信号的BCI系统,从三种信号本身、信号的分析方法方面作了比较,并将MEG信号的四分类问题转化为二分类问题,应用相同的小波方差特征和线性分类方法,对基于三种信号的BCI系统进行了分类研究,结果表明,ECoG信号的分类效果是最好的,EEG信号的分类效果次之,而MEG信号则欠佳。这一方面诠释了三种信号的区别,另一方面进一步说明了小波方差的特征提取方法在BCI研究中的有效性。