论文部分内容阅读
脑机接口(Brain-Computer Interaction,BCI)是一种新型的人机交互方式,其中,基于运动想象脑电的BCI是一种最常用的BCI系统,目前,BCI系统的性能还达不到产品化和实用化的要求,尤其是其中的脑电处理算法还需要进一步的研究和改进。脑电极易受到各种生理、非生理伪迹的干扰,传统或单一的预处理方法已满足不了BCI系统对预处理性能的要求。本文重点对运动想象脑电的预处理方法展开研究,提出了一种新的脑电预处理算法,通过模拟脑电数据定量评价了该算法的预处理性能,并对离线运动想象脑电数据进行了脑电微状态研究,然后对该预处理算法进行了在线验证和应用,在此基础上初步搭建了一个高效的运动想象脑电预处理平台。主要研究内容为:(1)提出了一种离散小波变换(DWT)、快速独立成分分析(Fastica)结合聚类分析的运动想象脑电预处理方法(DWICA+聚类分析),首先通过DWT将少通道脑电转换为多通道,然后直接将该多通道信号作为fastica的输入,计算分解后各独立分量的时域、频谱和序间相关性特征,引入层次聚类算法对各个独立分量进行聚类,自动识别并剔除伪迹分量,最后得到干净的EEG信号。(2)通过构造模拟脑电信号来测试EEMD-ICA算法、DWT-ICA以及DWICA结合聚类分析的预处理算法,分别计算预处理的时间消耗以及脑电的信噪比、均方根误差来定量评价这三种方法的性能。最后对离线运动想象脑电数据进行微状态研究,为微状态应用于运动想象脑电的特征提取打下了一定的基础。(3)结合特征提取和分类方法对DWICA结合聚类分析的预处理算法进行在线验证,实验过程中提取被试左右手运动想象脑电的瞬时能量特征,分别利用参数寻优SVM、SVM以及LDA分类器进行模式分类,6名被试的实际控制结果证明了本文所提出的预处理算法在线应用时的有效性以及参数寻优SVM分类器可以进一步提高分类准确率。(4)结合传统的脑电预处理方法和上述研究内容,从提高系统搭建速度和算法可移植性的角度出发,初步设计了运动想象脑电的预处理MFC平台,为未来基于运动想象脑电的BCI系统产品化和算法移植奠定了一定的基础。