论文部分内容阅读
脑-机接口(Brain-Computer Interface，BCI)是大脑与外界环境进行通信的一种全新通路。随着科学技术的不断进步，综合了诸多学科的BCI研究已经将应用从最初的医疗、康复等领域拓展到了军事、交通、娱乐等新的领域。由于BCI有着重要的研究价值和广泛的应用前景，美国、欧盟等世界发达国家和地区已经提出了多种大脑研究计划。在这些大脑研究计划的带动下，BCI逐渐成为当今世界的一个研究热点。 本论文对基于运动想象的在线BCI系统进行了研究。开展了以下三个方面的研究工作:一、适用于在线系统的运动想象脑电特征提取方法研究;二、能够兼顾实时性和分类正确率要求的分类方法研究;三、在线BCI系统的构建和实验。 运动想象脑电信号中存在着事件相关去同步化和事件相关同步化现象，以此为依据，本文采用了提取频带能量特征的方法。研究中发现不同受试者的脑电信号能量谱特征差异较大。因此本文提出了针对不同受试者采用特征频带优选的方法，并开展了对比实验，实验结果表明针对不同受试者进行的个性化的特征频带选取，能够有效地提高信号的分类正确率。 实现在线BCI系统时，如果采用分类正确率较高的分类器，往往会由于其算法的复杂度影响系统的实时性;而模型简单的分类器能够满足实时性要求，但对脑电信号的分类准确率又会降低。本文针对这一矛盾提出利用自适应增强算法，将弱分类器按一定权值进行线性组合，构建分类正确率高又能够快速运算的分类器。研究中通过离线分析和比较选择了Fisher线性判别分析(Fisher LinearDiscrimination Analysis，FLDA)和决策树这两种合适的弱分类器。利用BCI竞赛Ⅳ的数据集验证了增强型FLDA算法和增强型决策树算法对运动想象脑电信号分类效果的提升作用。在数据集2a上，增强型FLDA算法的分类正确率和运算速度均比支持向量机要好。 最后，设计和实现了在线BCI系统。该系统利用Neuroscan软硬件系统来采集和实时传输脑电信号。利用Labview开发了上位机软件，实现了实时接收脑电数据，采用本文所提出的方法进行特征提取和分类识别，并显示控制结果。为了对系统的性能进行评估，设计和实施了在线实验。两名受试者参与了实验，他们均能通过左、右手运动想象实时操控所设计的BCI系统。其中一名受试者在单次实验中达到了100％的正确率。实验结果表明实现的在线BCI系统具有良好的性能，本文所研究的特征提取和分类算法适用于构建在线BCI系统。 本文的创新性主要包括以下三个方面:1）提出了利用样本的权值分布进行加权求类中心的增强型FLDA方法;2）将自适应增强算法用于运动想象BCI系统的分类问题中，并且通过离线数据分析证明了算法的有效性;3）设计了基于增强型FLDA方法和能量谱优化方法的在线BCI系统，并通过在线实验对系统进行了评估。