论文部分内容阅读
图像识别就是从图像库中筛选出特定的目标图像。目前图像的识别方法主要有机器视觉和人工判读。前者借助计算机强大的执行能力,能够实现图像的快速检测,但在一些背景相对比较复杂或者需要相关经验知识才能识别的图像中,机器视觉的识别效果往往不近人意;后者依赖人类视觉系统鲁棒性高、可靠性强的特点,能够实现目标图像的高精度识别,其缺点是耗时长、效率低、易疲劳且成本较高。借助于快速序列视觉呈现(Rapid Serial Visual Presentation,RSVP)范式,能够实现一种人机混合的脑-机接口(Brian computer interface,BCI)系统。该系统通过检测脑电信号中与对应于目标图像的P300成分来实现目标图像的快速识别。本文从P300成分的产生机理、性质和特点入手,结合脑电信号的时域、频域、空域以及多通道同步耦合分析方法,研究如何进一步提高RSVP范式下目标图像识别的精度和效率,主要工作如下:首先,针对P300成分在不同脑电节律上分布不均的问题,在结构化判别分析(Hierarchical Discriminant Component Analysis,HDCA)算法上引入频域特征,提出一种基于时-空-频多域滤波的结构化判别分析(Multi Domain Filtering HDCA,MDFHDCA)算法,该方法采用滑动时频窗策略,通过在脑电信号的时间、空间、频率上结构化加权的方法进一步提升了脑电信号中的P300成分检测的精度。其次,从脑电信号之间存在的同步耦合现象出发,研究在RSVP范式下多通脑脑电信号的局部频带耦合特征提取方法,分别从脑电信号间线性相关、非线性相关以及相位同步的角度刻画目标图像视觉刺激引起的多通道脑电信号同步耦合特征。再次,将结构化判别算法和同步耦合特征提取方法相结合,进一步拓展基于脑电信号识别目标图像的特征集,分别从特征层和决策层设计信息融合策略,构建基于多通道脑电信号的多层次高维特征识别目标图像的算法框架。最后,结合实际应用场景设计RSVP实验,基于Matlab环境搭建实验平台,采集脑电数据,在实测数据上验证MDF-HDCA算法以及多层次特征融合的图像识别算法在P300检测性能提升上的有效性。