脑—计算机接口(Brain Computer Interface,BCI)可以提供一种不依赖于人体外周神经系统及肌肉组织,建立在人与周围环境间信息交流与控制的新型通道。近年来,基于脑电信号(Electroencephalogram,EEG)的BCI技术已成为康复领域新的研究热点。本文在综述国内外研究现状的基础上对基于脑电信号的意识任务的识别进行了以下几个方面的研究讨论: (1) 提取脑电信号的多个特征量 对EEG信号的来源,产生机理,结构特征等进行分析,运用经典功率谱估计,AR模型功率谱估计,AR模型参数,信号能量,小波熵等多种方法对想象左右手动作的脑电信号进行特征提取,并比较其性能。实验表明采用AR模型功率谱估计的峰值及信号能量作为特征可获得较好的识别效果。 (2) 相同步应用于脑电信号的特征提取 人脑的脑电信号活动集中在运动皮层体现为μ波(8—12Hz),集中在视觉皮层体现为β波(18—26Hz)。人在运动或者想象运动的时候都会伴随着μ波和β波型的减小,这个减小叫做“事件相关去同步化(event-related desynchronization,ERD)”,并且,这一现象的发生根据不同的运动同时反映在大脑的不同区域。根据这一特性,我们联想到可以分别利用两导信号之间相同步的信息作为特征量对运动意识任务进行分类,并在实验中证实了这一信息在意识任务识别中的可行性及有效性。 (3) 线性判别式分析算法及其改进 以线性判别式分析(Linear Discriminant Analysis,LDA)为代表的线性分类算法,只需很少的样本数目就能获得可靠的分类结果。在这里我们将该方法应用于EEG信号的分类中并对其加以改进,用基于Mahalanobis距离的分类(Mahalanobis distance based classifier,MBDC)方法对信号特征量进行分类,取得了较好的效果。 (4) 支持向量机分类器 基于经验风险最小化原则为前提的分类方法只有在样本数趋向无穷大时其性能才有理论上的保证。由于脑电信号十分复杂,人们难以获得足够的特征数据对分类器进行训练,因此该原则在实际的小样本情况下的应用中有较大的局限性。而支持向量机(Support Vector Machine,SVM)以统计学习理论为基础,它不仅要求最优分类面将两类样本无错误的分开,而且要使类间间隔最大,从而保证真实风险最小,较好地解决了小样本的分类问题。在这里我们将支持向量机理论应用于脑电信号的分类中,取得与LDA算法相近的效果。