论文部分内容阅读
脑机接口(Brain Computer Interface，BCI)是一种实现人脑对外部环境直接控制的装置。通过对人脑意识任务信号的采集和解读，翻译为控制命令实现对外部装置的控制。BCI在医学康复、特种环境下的设备控制有着重要的应用前景，已经成为脑科学、神经生理学、信号分析、控制科学和计算机科学的交叉研究热点。目前BCI研究已经取得了一定的进展，然而距离实际应用仍然有差距。实现BCI的实际应用有两个先决条件：一是可以产生可识别脑意识任务的人，二是可以将这种意识任务实时在线识别的系统。其中急需解决的关键技术问题是在线系统如何完成大脑意识任务的在线识别，并完成对外部装置的控制。而其难点在于，如何减少在线BCI系统意识识别时间的同时提高识别率。本文以完成在线四分类运动想象BCI为目标，以在线识别技术相关的特征提取和分类识别算法为核心，针对EEG(ElectroEncephaloGram)信号在线特征提取和分类过程中关键的识别速度和正确率问题开展研究。主要研究结果包括：1)以四分类运动想象意识任务EEG信号为基础，对比分析BCI离线系统和在线系统中常用的特征提取和分类识别算法。针对BCI在线系统对实时性和EEG信号单次连续识别的问题，采用小波+AR算法在线提取EEG信号特征，直接提取EEG可识别信息所在频段的特征量，进而采用支持向量机(Support VectorMachine，SVM)实时识别EEG信号。2)为提高系统的实时性和识别正确率，进一步研究了特征和SVM模型参数优化算法。为减少分类识别算法识别特征的维数，采用GA（Genetic Algorithm）算法通过设置适应度函数，优化选择最优特征集合。为提高分类正确率，对SVM模型参数优化训练。通过特征和模型参数联合优化确定最佳的在线系统模型参数，减少系统在线识别EEG信号时系统算法耗时和识别误差。3)针对被试的个体差异性，在系统训练模式中采用GA联合优化确定该被试最佳的系统模型，即针对该被试最佳的特征集合和SVM模型参数。增强在线系统针对不同被试的普适性，提高系统的整体识别正确率。4)设计BCI在线系统，对上述特征提取和分类识别算法进行在线实验验证。通过编写基于运动想象的实验范式，选取C3、C4及其周围电极导联作为采集通道，调用系统训练时被试的系统模型参数进行在线实验。在线实验结果表明：设计的小波+AR特征提取算法，SVM分类识别算法有着较高的在线识别速度和识别准确率，满足在线系统对算法实时性和识别正确率的要求。