多变量脑电信号分析及其在bci中的应用研究

多变量脑电信号分析及其在bci中的应用研究

ID:35072066

大小:3.75 MB

页数:69页

时间:2019-03-17

多变量脑电信号分析及其在bci中的应用研究_第1页
多变量脑电信号分析及其在bci中的应用研究_第2页
多变量脑电信号分析及其在bci中的应用研究_第3页
多变量脑电信号分析及其在bci中的应用研究_第4页
多变量脑电信号分析及其在bci中的应用研究_第5页
资源描述:

《多变量脑电信号分析及其在bci中的应用研究》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、硕士学位论文题目:多变量脑电信号分析及其在BCI中的应用研究研究生韩笑专业控制工程指导教师佘青山副教授完成日期2016年3月杭州电子科技大学硕士学位论文多变量脑电信号分析及其在BCI中的应用研究研究生:韩笑指导教师:佘青山副教授2016年3月DissertationSubmittedtoHangzhouDianziUniversityfortheDegreeofMasterTheResearchofMultivariateEEGSignalAnalysisanditsApplicationinBCICandidate:HanXiaoSupervisor:AssociatePr

2、of.SheQingshanMarch,2016杭州电子科技大学学位论文原创性声明和使用授权说明巧轴幢声巧本人郑重声明;所呈交的学位论文,是本人在导师的指导下,独立进行研巧工作所取得的成果。除文中已经注明引用的巧容外,本论文不含任何其他个人或集体己经发表或撰写过的作品或成果。对本文的研巧做出重要贡献的个人和集体,均已在文中明确方式标明。一申请学位论文与资料若有不实之处。,本人承担切相关责任论文作者签名曰期:年月/曰/>(¥5?;学位论文側授捉说明目:本人完全了解杭州电子科技大学关于保留和使用学位论文的规定,P研巧生在校攻读学位期间论

3、文工作的知识产权单位属杭州电子科技大学。本人保证毕业离校后,发表论文或使用论文工作成果时署名单位仍然为杭州电子科妓大学。学校有权保留送交论文的复印件,允许查阁和借阔论文;学校可公布论文的全、。部或部分内容,可允许采用影印缩印或其它复制手段保存论文(保密论文在解密后遵守此规定)W■论文作者签名/曰:^篆曰期;7名年3月5指导教师签名:会^从曰期:兴年3月巧日杭州电子科技大学硕士学位论文摘要脑-机接口技术直接从人体的思维源头——大脑出发,建立起连接大脑和计算机或其他设备间的“交流桥梁”,颠覆了原有的依赖外周神经和肌肉组织的沟通方式。由于该技术在医学

4、、娱乐、智能生活等多个领域具有广泛的应用前景,所以成为脑科学研究的热点之一。本文以多变量运动想象脑电信号为研究对象,对预处理、特征提取、模式分类等信号处理过程进行研究,并应用于电动假肢的脑电控制。本文主要完成的研究工作以及取得的成果,如下:(1)预处理:为了减少噪声信号的干扰,本文采用了两种预处理方法:巴特沃斯滤波器和自适应小波阈值消噪法。分别在2008年公开竞赛数据集上进行实验,结果说明前者可以获取与运动想象节律信号相关的频段信息,后者可以有效地降低噪声干扰以提高信噪比。(2)特征提取:针对选取IMFs分量依赖于经验的问题,本文提出一种基于噪声辅助多变量经验模式分解(NA-

5、MEMD)和互信息的有用IMF识别方法,用于脑电特征提取。首先,使用NA-MEMD算法对多通道信号进行分解得到多尺度IMF分量。然后,采用互信息法分别计算各尺度上信号与其IMF分量、噪声与其IMF分量、信号IMF分量与噪声IMF分量之间的相关性,计算相应的敏感因子以筛选出包含有用信息的IMF分量,将它们叠加起来得到各通道重构信号,采用共同空间模式算法提取重构信号的特征。该算法自适应选取了与脑电信号相关的有用信息,提高了特征区分度。通过与其他选取方法对比,该算法有效性得到验证。(3)模式分类:针对传统的高斯过程采用共轭梯度法确定超参数时对初值有较强依赖性且易陷入局部最优的问题,

6、本文提出了一种基于人工蜂群优化的高斯过程分类方法,用于脑电信号的模式识别。首先,构建高斯过程模型,选择合适的核函数且确定待优化的参数。然后,选取识别错误率的倒数为适应度函数,使用人工蜂群算法搜索寻找出限定范围内可以取得最优准确率的超参数。最后,采用参数优化后的高斯过程分类器对样本分类,并通过实验证明本文算法的有效性。(4)多变量运动想象脑电在电动假肢控制上的探究:首先介绍了实验背景,接着设计了总体控制方案,然后设计了实验范式并对脑电信号进行采集。随后采I杭州电子科技大学硕士学位论文用自适应小波阈值消噪法对脑电信号进行预处理,使用NA-MEMD和互信息方法提取脑电信号的特征,运

7、用基于人工蜂群优化的高斯过程分类器对脑电特征进行分类。最后将分类结果映射成对应的控制命令,驱动电动假肢完成握拳和展拳动作。关键词:脑-机接口,运动想象,噪声辅助多变量经验模式分解,互信息,高斯过程分类,人工蜂群II杭州电子科技大学硕士学位论文ABSTRACTBrain-computerinterfacetechnologydirectlystartsfromthesourceofthehumanmind–thebrain,andestablishesabridgebetweenthebrainandco

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。