论文部分内容阅读
近年来，脑机接口(Brain Computer Interface，BCI)技术得到了快速的发展，研究群体和组织也迅速壮大。脑机接口技术是利用人的脑电信号在人脑与计算机或其它电子设备之间建立起通信和控制的通道，这样人就可以直接通过大脑来表达意愿或操纵设备，而不需要语言或肢体动作。
研究表明，当人们在运动准备或运动想象时，在对侧的大脑皮层会出现事件相关去同步现象(Event-related desynchronization，ERD)，表现为在指定频带范围内，脑电信号中对应特定神经活动相关的脑电节律能量的衰减的过程；而运动后或放松状态下，对侧大脑皮层会有节律波能量的增加，这称为事件相关同步现象(Event-relatedsynchronization，ERS)。在运动想象脑机接口中，就是通过检测脑电(EEG)中的ERD/ERS现象来判断用户的运动想象模式。
运动想象BCI中的关键问题足运动想象相关脑电节律波的ERD/ERS特征模式的提取和分类问题。为了在信噪比极低的脑电(EEG)数据中准确提取与识别和运动想象相关的脑电模式，共空域模式(Common spatial pattern，CSP)和支持向量机(Support vectormachine，SVM)等机器学习方法目前广泛应用于脑机接口EEG信号的处理中。但如何使CSP算法自动适应单次脑电(Single-Trial EEG)特征的变化，以及如何提高SVM算法的速度，是目前在线BCI系统信号处理中需要解决的问题。本论文将对于这两个问题展开讨论。
首先，由于脑电信号具备非平稳性，即对于不同的人、甚至是同一个人不同时刻的脑电信号都可能存在显著不同。而传统的特征提取算法通常没有考虑到这一问题，导致利用训练数据得到的特征模式不适应于应用阶段的脑电特征，从而使得实际应用中结果较差。因此本文对传统的CSP算法进行改进，使之具有自适应性，从而可以更好的适应单次脑电信号的变化。实验结果表明自适应共空域模式算法可以更好的适应脑电信号的特征变化。
其次，在脑电信号特征分类算法中，目前应用较多的支持向量机算法由于其判别函数通常包含较多的支持向量，使得判别时计算量较大，导致判别速度较慢。本文利用基于内点的独立成分分析方法(Inlier-based independent component analysis，IBICA)对支持向量机算法进行改进，选择较少的典型支持向量，减少判别函数的计算量，从而提高了SVM算法的速度。
最后讨论了文中提出算法的结果和优劣，并提出了今后的研究方向。