论文部分内容阅读
许多患者都患有神经症状或神经退行性疾病，扰乱了大脑至脊髓及其最终目标即肌肉的正常信息流，进而影响人的行动意图。基于脑电的脑—机接口（Brain-Computer Interface, BCI）作为一种新型的人机交互手段，为大脑提供一种全新的非肌肉输出通道，把用户的意图传递给外部世界。因为运动想象是患者向外部世界传递意图的一个重要实验范式，所以研究基于运动想象脑电的特征提取和分类算法具有重要的现实意义。本文研究四种运动想象特征提取算法和一种线性分类算法，主要对这四种运动想象特征提取方法进行了深入、系统的研究。并用Fisher分类器对每一种算法得到的特征进行了分类，并对结果进行了比较研究。论文的主要内容如下：1.详细阐述了EEG信号的采集过程、信号的预处理以及BCI信号处理的基本流程。2.深入研究并独立地实现了四种脑电特征提取的方法，分别是基于事件相关同步/去同步（ERS/ERD）特征提取算法、基于自回归模型（AR）特征提取算法、基于联合回归模型（JR）特征提取算法以及基于共同空间模式（CSP）特征提取算法。3.深入研究并实现了著名的线性分类算法Fisher。为运动想象特征的分类提供了基础性的算法。4.采用本文提出的方法对实验室自主数据和BCI2003竞赛数据进行了特征提取并对分类结果进行了比较研究。实验结果表明，ERS/ERD,JR,CSP算法得到的特征都能够得到比较理想结果，针对实验室自主数据测试集，这三者的分类准确率几乎都能达到90%。针对BCI2003竞赛数据，测试数据集分类准确率都能达到70%以上。需要强调的是基于JR的特征提取算法是我们首次在文献中提出的。5.本文最后提出，单一的特征提取算法得到的特征可能不是最优特征。为了算法的稳定性和普适性，最后用于分类的特征最好应该是多种特征的组合。本文最后选取ERS/ERD提取的特征（频域特征）和JR提取的特征（时域特征）对这两组数据分别再次做了分析，最后针对实验室数据，测试集准确率能够达到97.86%，针对2003竞赛数据，测试集准确率80%。我们发现两组数据集的准确率都明显高于单一的特征分类后的准确率。