基于脑—机接口的想象运动脑电信号的分析

《基于脑—机接口的想象运动脑电信号的分析》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、硕士学位论文摘要脑一计算机接口(BraincomputerIntearfce，BcI)是在人脑和计算机或其它电子设备之间建立的一种直接信息交流和控制通道，是一种不依赖于常规大脑输出通路(外周神经和肌肉组织)的全新信息交流系统。BCI作为一种全新的信息交换与控制技术，为瘫痪病人，特别是那些丧失了基本肢体运动功能但思维正常的患者，提供一种与外界进行信息交流与控制的新途径，正受到越来越广泛的关注。本文在总结前人工作的基础上对基于BcI系统的想象运动脑电信号的意识任务识别进行了以下几个方面的研究：(1)提取脑电信号的多个特征量针对GrazeBcI提供的数据，采用功率谱熵、近似熵、样本熵

2、和嵌入空间分解四种方法，来实现想象左右手运动两种意识任务的特征提取，并且分析比较其优缺点。最终分类结果表明，四种方法都取得了较好的效果，其中功率谱熵达到了90％的较高分类正确率。(2)设计分类器在分类方法上，提出基于时间累积的时变线性分类器的设计方法，分类正确率较Fisher线性分类器有明显的提高，能够很好的识别出想象左右手运动两种意识任务，获得了比较满意的结果。(3)对BcI系统性能进行评价从分类正确率、信噪比、互信息等方面给出了不同特征量的BcI系统效果。结果显示，功率谱熵和时变线性分类器相结合的BcI系统性能最好。研究结果表明：当提取适当的、可反映不同意识任务状态的有效信

3、息，并采用合适的分类器时，不同的意识任务状态能够正确的分类识别。功率谱熵特征充分体现了想象运动时脑电信号的变化趋势，是想象运动脑电信号的敏感特征参量；与时变线性分类器相结合，取得了很好的分类效果；而且计算简单，运行速度快，可用于在线BCI系统的研究。关键词：脑一计算机接口；功率谱熵；近似熵：样本熵；嵌入空间分解；时变线性分类器lⅡ基于脑一机接口的想象运动脑电信号的分析AbstractBrain-computerInterface(BCI)isadirectinf0珊ationcommunicationandcontrolcha皿elestablishedbetweenhuman

4、andcomputerorotherelectricaldevicesanditisanewcommunicationsystemthatdoesnotdependonthebfain’snonnaloutputpathwaysofperipheralnerVesandmuscles．EEG—basedBCImayprovideaneffectivecommunicationandcontrolchallnelswithworldfortheparalyzer，especiallythose“locked—in”butwithintactideation．BCIiswinnin

5、gmoreandmoreattentions．onthebase0fforegoingaccomplishment，thispaperfocuses0nsometopicsdescribedasfollowing：(1)FeatureextractionoftheEEGsignalsForthedatathatproVidedbyGrazeBCI，theEEGfeaturesduringimaginedrightandlef}thandmoVementwereextractedbyusingpowcrspectralentropy(PsE)，approximateentropy

6、(ApEn)，sampleentropy(sampEn)andEmbedding—spacedecomposition(ESD)．Bothmethodsarecomparedandtheadvantagesanddisadvantagesofbotharediscussed．Itacquiresgoodresultswiththesefourmethods，andthemaximalaccuracyachieVes90％byusingPSE．(2)DesignoftheMentalTasksC1assifierThispaperpresentsadesignapproachof

7、time—variable1inearclassifierbasedontimeaccumulation．weusedthismethodtodistinguishtheIeRandrighthandmotorimaginarytasksandgainedthesatisfyingresult．Itisobviousthattheclassi矗cationaccuracybyusingtime—VariablelinearclassifierishigherthanusingFisherli