论文部分内容阅读
脑机接口(Brain Computer Interface，BCI)技术是一种无需依赖大脑的正常信息传输路径，就能实现大脑与计算机、智能机械臂等外部设备直接连接的信息交流方式。在康复领域，BCI为神经通路遭到损伤的患者提供了与外界沟通交流的机会，在军事、人工智能、远程控制、游戏娱乐等领域，脑机接口也有重要应用。其中，对运动想象脑电信号(Motor Imagery Electroencephalography, MIEEG)的分析是BCI的研究热点。因此，搭建运动想象脑机接口(Motor Imagery Brain Computer Interface，MIBCI)系统对MIEEG进行分析和处理在科学研究和实际应用方面有重要意义。
本文首先介绍了脑机接口的背景及应用，其次对数据进行预处理并采用希尔伯特黄变换(Hilbert-Huang Transform，HHT)对MIEEG进行特征提取，再利用支持向量机(Support Vector Machine，SVM)对提取出的脑电特征进行分类。为提高分类准确率，本文运用遗传算法(Genetic Algorithm，GA)、粒子群算法(Particle Swam Optimization，PSO)、人工蜂群算法(Artificial Bee Colony, ABC)三种算法进行SVM参数优化，并对二分类和四分类的MIEEG进行实验。论文最后搭建MIBCI平台，通过仿真小球运动，模拟了对外部设备的控制。
本文主要内容如下:
首先，论文总结了脑电信号的基础知识，并对脑机接口的背景、应用及国内外研究进展进行了介绍。
其次，论文对脑机接口中特征提取方法进行了研究。该部分介绍了几种常见的特征提取方法，并采用HHT对脑电信号进行特征提取。该方法具有自适应性，能很好的对非平稳、非线性信号进行数据处理。通过HHT得到的边际谱能反映出能量和频率之间的关系，即可用来分析信号的幅值随频率的变化情况。
随后，论文研究了脑电信号的分类方法。通过分析常用的分类方法，可以得出SVM具有泛化能力较强、计算速度快和分类准确率高等优势，因此SVM更适用于脑机接口中的数据处理。论文还介绍了SVM的基本概念和分类过程。为提高分类准确率，本文采用基于GA、PSO、ABC三种算法优化的SVM对提取的脑电特征进行分类，数据对比表明ABC算法优化的SVM可获得更好的分类效果。
论文对两组数据集进行实验。其中，数据集为BCIcompetitionⅡ中的DatasetsⅢ和BCIcompetitionⅣ中的Datasets2a，分别为二分类(左手、右手)和四分类(左手、右手、舌头、双脚)数据集。实验采用希尔伯特黄变换提取脑电信号特征，再用SVM进行分类，最后使用GA、PSO、ABC三种算法进行参数优化。其中，实验一中受试者为1人且进行二分类实验，分类类别较少，分类准确率最高可达到100％，实验二的分类准确率最高可达到86.1111％。
最后，基于上述特征提取和分类方法，论文搭建了在线MIBCI系统。该系统是基于MATLAB和Python联合开发的。通过QtDesigner设计GUI控制界面，MATLAB编写的采集及数据处理程序为控件添加了相应功能，最后将控制界面转换为Python程序封装成可执行文件。该系统通过对小球运动进行仿真，有效的模拟了控制外部设备，证明了该系统有良好的性能。
本文首先介绍了脑机接口的背景及应用，其次对数据进行预处理并采用希尔伯特黄变换(Hilbert-Huang Transform，HHT)对MIEEG进行特征提取，再利用支持向量机(Support Vector Machine，SVM)对提取出的脑电特征进行分类。为提高分类准确率，本文运用遗传算法(Genetic Algorithm，GA)、粒子群算法(Particle Swam Optimization，PSO)、人工蜂群算法(Artificial Bee Colony, ABC)三种算法进行SVM参数优化，并对二分类和四分类的MIEEG进行实验。论文最后搭建MIBCI平台，通过仿真小球运动，模拟了对外部设备的控制。
本文主要内容如下:
首先，论文总结了脑电信号的基础知识，并对脑机接口的背景、应用及国内外研究进展进行了介绍。
其次，论文对脑机接口中特征提取方法进行了研究。该部分介绍了几种常见的特征提取方法，并采用HHT对脑电信号进行特征提取。该方法具有自适应性，能很好的对非平稳、非线性信号进行数据处理。通过HHT得到的边际谱能反映出能量和频率之间的关系，即可用来分析信号的幅值随频率的变化情况。
随后，论文研究了脑电信号的分类方法。通过分析常用的分类方法，可以得出SVM具有泛化能力较强、计算速度快和分类准确率高等优势，因此SVM更适用于脑机接口中的数据处理。论文还介绍了SVM的基本概念和分类过程。为提高分类准确率，本文采用基于GA、PSO、ABC三种算法优化的SVM对提取的脑电特征进行分类，数据对比表明ABC算法优化的SVM可获得更好的分类效果。
论文对两组数据集进行实验。其中，数据集为BCIcompetitionⅡ中的DatasetsⅢ和BCIcompetitionⅣ中的Datasets2a，分别为二分类(左手、右手)和四分类(左手、右手、舌头、双脚)数据集。实验采用希尔伯特黄变换提取脑电信号特征，再用SVM进行分类，最后使用GA、PSO、ABC三种算法进行参数优化。其中，实验一中受试者为1人且进行二分类实验，分类类别较少，分类准确率最高可达到100％，实验二的分类准确率最高可达到86.1111％。
最后，基于上述特征提取和分类方法，论文搭建了在线MIBCI系统。该系统是基于MATLAB和Python联合开发的。通过QtDesigner设计GUI控制界面，MATLAB编写的采集及数据处理程序为控件添加了相应功能，最后将控制界面转换为Python程序封装成可执行文件。该系统通过对小球运动进行仿真，有效的模拟了控制外部设备，证明了该系统有良好的性能。