(毕业设计)_精选_23_基于共空间模式的脑电信号特征提取

《(毕业设计)_精选_23_基于共空间模式的脑电信号特征提取》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、咔嚓大学本科生毕业论文基于共空间模式的脑电信号特征提取CharacteristicExtractionofEEGBasedonCommonSpatialPattern学生姓名绺缪缪所在专业电子信息工程所在班级电子1092班申请学位工程学士指导教师离细细职称讲师副指导教师职称答辩时间2014年06月01日目录目录摘要IABSTRACTI第1章绪论11.1脑机接口概述11.2脑电信号的研究发展与意义11.2.1脑电信号的研究发展11.2.2在医学方面的应用21.2.3在其他方面的应用21.3本文主要的工作3第2章脑电图基本理

2、论42.1人脑结构与脑电信号产生42.1.1人脑基本结构42.1.2脑电信号42.2脑电图基本理论52.2.1脑电产生机理52.2.2自发脑电与诱发脑电52.2.3脑电的采集82.3脑电信号数据集102.3.1慢皮层电位数据集102.3.2BCI数据结构10第3章慢皮层电位特征提取及分析结果123.1脑电特征的提取方法--CSP简介123.2CSP特征提取143.2.1Matlab运行步骤143.2.2特征提取结果15第4章总结与展望19鸣谢20参考文献21附录22附录A:22附录B:23附录C:25摘要摘要脑机接口(B

3、CI)是指一种不依赖于人脑的正常输出通路的脑一机通讯系统，是一种新的人机接口方式。它的实质为通过脑电信号推断人的想法或目的，从而实现人机交流。脑机接口既是人类了解和提高脑功能的重要手段，又是一种全新的通讯和控制方式，在残疾人康复、正常人辅助控制、娱乐、脑认知等领域有广泛的应用前景。本文通过针对脑机接口中的特征提取问题，提出了基于多通道特性的共同空间模式CSP算法，实现脑电频域特征的有效提取。首先将采集的脑电信号(EEG)进行数据矩阵；然后通过CSP将EEG信号分解为空间模式，提取出数据的特征向量，进行识别处理。结果表明，

4、CSP能有效提高出明显的特征，是分类识别的有效方法。关键词:脑机接口；特征向量；慢皮层电位；共同空间模式摘要ABSTRACTBraincomputerinterface(BCI)isacommunicationsystemthatdoesnotdependonthebrain’snormaloutputpathwaysofperipheralnervesandmuscles，anditisanalternativeandnovelinterfacebetweenhumanandcomputers.Theessenceof

5、aBCIistodeducehumanthoughtsorintentionsviaelectroencephalogram(EEG)signalandsotorealizethecommunicationbetweenhumanandcomputers.ABCIsystemisnotonlyanimportantwaytounderstandandimprovebrainfunctionsbutalsoanovelcommunicationandcontrolmode.ABCIsystemisexpectedtoimp

6、rovethehumanlivinglevel.Ithaswideapplicationprospectinmanyareassuchasrehabilitationfordisabledpeople，assistoncontrolfornormalpeople，entertainment，braincognition，etc.Thisresearchwasaimedatthefeatureofinterface(BCI)inordertoextractmatterinbraincomputer.Thealgorithm

7、basedonmulti-channelcharacteristicsCommonspatialpattern(CSP)wasproposedtosolvethisworkthroughexploringfrequencydomaincharacteristicsfromElectroencephalography(EEG).Forvalidation，themotorimageryEEGdataprovidedbyBCICompetitionII-DatasetsIawereused，andtheresultsshow

8、edthattheCSPcaneffectivelyimprovetheobviouscharacteristic，itisaneffectivemethodofclassification.KEYWORDS:braincomputerinterface(BCI);featurevectors;slowcortica