多任务运动想象脑-机接口的识别方法研究

• 作 者: 王盛玉
• 出 处: 北京交通大学
• 发表日期: 2020年01期
• 关键词: 脑-机接口 运动想象 通道选择 共空间模式 互信息 支持向量机

脑-机接口(Brain-Computer Interface,BCI)是一种人机交互技术,可在大脑与外部设备之间创建连接,将人脑的意图解码并转换为机器指令,控制外部设备。由于在医学、军事航空、娱乐生活等领域有着极高的应用价值和广阔的应用前景,BCI技术是近年来学术界的研究焦点。目前,常见BCI实现方法主要有P300电位、运动想象和稳态视觉诱发电位三种。其中,运动想象无需外部刺激,可自发产生脑电信号,是现今最流行的BCI实现技术。运动想象的现有实现方法存在分类精度低、类别数量少、系统的自适应性差等不足。针对上述问题,本文对多任务运动想象脑-机接口的识别方法进行研究,主要内容如下:(1)在数据时间段提取方面,本文针对各受试者最优想象时间段不同这一问题,采用时域参数和Fisher距离相融合的方法,计算每位受试者原始脑电波形的时域参数,然后选取Fisher距离最大的时间段,实现最优运动想象时间的自动选择。(2)在通道选择方面,本文引入了基于最大能量/熵比和基于Pearson相关系数的两种通道选择方法,前者通过对不同通道计算多次试验的平均能量与熵的比值表示每个通道的信息质量,比值的大小可直接反应该信道的重要性;后者能够提取不同通道间的相关系数,系数大的通道表示主要信道。在阈值选取方面,采用均值与最小值结合的方法自动选择通道数量,减少冗余,降低计算复杂度。(3)在特征提取的研究中,本文针对不同受试者最优频带不同问题,采用多频宽滤波器组共空间模式方法进行频带与空间滤波,然后应用基于互信息的最佳个体特征选择方法对不同受试者的最优子带进行自动选取。在特征数量的选择上,论文尝试了4、8、12个特征,其中特征数量为12时达到最优性能。(4)在分类阶段,本文将四类(左手、右手、脚、舌头)问题转换为六个一对一的多分类结构,并采用线性判别分析、支持向量机及朴素贝叶斯三种分类器进行实验对比分析。本文采用第四届BCI竞赛的2a数据集进行四类运动想象分类实验。由实验结果可知,Pearson相关系数在通道选择方面具有较优的性能表现。同时,特征提取数量为12,分类器为支持向量机时分类的结果最优。实验结果表明Kappa值最高达到0.81,平均值为0.61,证明了本文方法的可行性。需要强调的是,本文所提出的方法具有传输速率高、时延短等优点,非常适合BCI的在线实现。