论文部分内容阅读
脑机接口(Brain-Computer Interface，BCI)是从人脑采集到的电信号转换成控制命令直接传递给计算机或其他机器的一种新的人机交互系统，主要通过识别人的不同思维活动，以计算机为媒介来构建与外界交流的通道。脑机接口正处在发展阶段，(1)如何快速准确地识别脑电信息是一个热点问题；(2)如何设计及优化实验范式来提高EEG控制系统的可行性及普遍性是一个热点问题。
1.鉴于P300电位的导联不明确性，为了提高P300电位的识别准确率，本文基于小概率诱发的事件相关电位P300的脑机接口导联优化和分类展开了研究。处理来自瑞士联邦工学院(EPFL)BCI研究组的基于P300脑机接口实验数据，对图片选择任务下的P300电位进行识别。采用顺序浮动前进(Sequential Floating ForwardSelection，SFFS)算法选择最优脑导联组合，利用贝叶斯线性判决分析(Bayesian LinearDiscriminant Analysis，BLDA)对P300电位进行分类识别。将顺序浮动前进方法分别与离散粒子群优化(Discrete Particle Swarm Optimization，DPSO)算法，经验8导联和全导联选择的分类结果进行比较。把BLDA分类算法的分类结果分别与费希尔线性判别分析(Fishers Linear Discriminant Analysis，FLDA)和支持向量机(Support VectorMachine，SVM)进行比较。
本文提出了SFFS算法对P300电位进行导联优化，BLDA算法对P300进行分类识别。结果表明，(1)基于SFFS导联选择算法分类准确率最高，在选择所用时间上，SFFS算法明显优于DPSO算法，与DPSO算法相比，SFFS算法所选导联组合具有唯一性；(2)基于BLDA分类识别算法分类准确率最高，在选择时间上，BLDA算法明显优于SVM算法。
2.针对BCI系统的可行性及普遍性的问题，我们提出了脑电模式融合的思想，设计了一个新的把稳态视觉诱发电位(SSVEP)和事件相关同步与去同步电位(ERD/ERS)融合的BCI系统，对各种模式下的信号进行模式识别，并把融合模式下分类准确率并与单个SSVEP电位和单个ERD/ERS下的分类准确度进行比较。
同时利用SSVEP和ERD/ERS者两种神经任务的混合BCI系统在一定程度上提高BCI系统的可行性，普遍性。在融合脑电模式的BCI系统下，(1).其可以当一种任务不能传达使用者意愿时候，另一种任务可以传达使用者的意愿；(2).当两种任务都不能传达使用者意愿时，可以通过电位融合的脑机接口来传达使用者的意愿；(3).其可以传输更大的信息量，展示两种不同的大脑活动，有利于解读使用者的意愿。