论文部分内容阅读
脑机接口(BrainComputerInterface，BCI)是一种不依赖外周神经和肌肉作为输出通路的通讯系统。这种系统把反应人意识的脑电信号(Electroencephalography，EEG)转化为控制外部设备的信号。脑机接口技术的关键是如何从脑电信号中提取出反应人的主观意图的特征成分，并有效地转化为控制命令。由于脑电信号信噪比低且混有眼动、肌动等伪迹，因此需要有效的信号处理方法进行特征提取和识别。在实际应用中，脑机接口系统要求对数据进行实时处理，这使得快速处理大量数据的信号处理算法显得尤其重要。本论文针对运动想象脑机接口中的信号处理算法展开研究。
首先应用Fisher判别准则进行电极通道的选取，这样既可以有效利用脑电信息，又可以减少数据处理的计算量。
其次应用运动想象数据处理中常用的共空间模式(CommonSpatialPatterns，CSP)和支持向量机(SupportVectorMachine，SVM)进行特征提取和分类，同时分析了选取不同频率和时间段对识别脑电特征的影响。
为了满足在线脑机接口系统的实时要求，本论文特别针对支持向量机决策函数(DecisionFunction)中包含大量的核函数成分而导致计算复杂度高的问题，进行了简化算法的研究。本论文应用最新的函数逼近方法对其进行简化--先将核函数成分聚类，再在平方误差损失下进行局部逼近，其良好的结果暗示了实时处理脑电数据的可能性。
最后讨论了本论文应用的数据处理方法与其他特征提取和分类方法比较的结果，并提出了今后的研究方向。