学位论文 > 优秀研究生学位论文题录展示

脑电信号控制智能轮椅的研究

作　者: 涂建成
导　师: 罗志增；孟明
学　校: 杭州电子科技大学
专　业: 模式识别与智能系统
关键词: 脑电信号智能轮椅小波消噪特征提取支持向量机控制方案
分类号: TN911.7
类　型: 硕士论文
年　份: 2011年
下　载: 217次
引　用: 0次
阅　读: 论文下载

内容摘要

脑电信号(Electroencephalogram,EEG)是脑神经细胞群电生理活动的综合反映,其中蕴涵着丰富的生理、心理信息。人体在动作或者进行思维任务时,脑电信号都会产生相应的变化。通过脑电信号分析,解读出操作者的意愿,获得相应的控制信息,进而控制外部对象的人机接口技术,已经成为生物医学工程领域的研究热点。本文研究了脑电信号的采集、预处理、特征提取、以及基于脑电信号的模式识别等方法,并设计了相应的脑电信号控制轮椅的方案。论文阶段所做的主要工作及创新点如下:(1)在脑电信号预处理方面,提出了一种改进阈值的平移不变量小波消噪算法。首先在重复循环平移原始信号消除不连续点相互干扰的基础上,分别进行小波分解;其次使用改进的阈值量化算法,通过处理小波系数模的幂次和阈值的幂次来估计小波系数,并重构信号;最后通过重构信号的相反平移求出各次处理的平均值,得到消噪后的信号。通过频谱分析发现消噪后的脑电信号有效保留脑电信号4种基本节律δ波、θ波、α波和β波,同时消除了高频的噪声干扰。此外,与传统的阈值消噪法相比,该方法提高了信噪比,降低了均方误差。(2)提出了一种分步进行的模式识别方法,首先提取运动想象和非运动想象脑电信号节律波小波能量和小波熵特征,利用二叉树支持向量机模式识别。若识别结果为非运动想象脑电信号,则停止识别;若识别结果为运动想象脑电信号,则通过小波包变换将其C3,C4,Cz导从频域上扩展成99导信号,用CSP算法提取特征,并通过二叉树支持向量机继续识别。该方法用于第四届BCI国际竞赛数据(Data sets 2a),最优识别结果的Kappa系数达到0.50以上,验证了该方法的有效性。(3)以Patrafour电动轮椅为实验对象,设计了相应的脑电信号控制轮椅的方案。设计了脑电信号采集辅助软件,采集低头、抬头、鼓气、吞咽、深呼吸、伸舌6个动作状态下的脑电信号,用小波包变换和CSP方法进行特征提取,并用二叉树SVM进行模式分类,识别结果的Kappa系数高于0.52,证明上述规定动作辅助下的脑电信号具有较好的可识别性,可运用于智能轮椅的控制。该方案不仅能实现轮椅前进、后退、左转、右转和停止5种基本功能,还能实现轮椅的变速功能,其中变速功能实现的策略是鼓气一次轮椅加速,连续鼓气两次轮椅减速。

全文目录

摘要  5-6
ABSTRACT  6-11
第1章绪论  11-21
  1.1 研究背景及意义  11-12
  1.2 国内外研究现状  12-13
  1.3 脑—机接口概述  13-14
  1.4 常用脑电信号处理方法  14-19
    1.4.1 预处理方法  14-16
    1.4.2 特征提取方法  16-18
    1.4.3 模式分类方法  18-19
    1.4.4 脑电信号处理流程  19
  1.5 本文研究的主要内容  19-20
  1.6 本章小结  20-21
第2章脑电信号采集及预处理  21-34
  2.1 脑电信号概述  21-24
    2.1.1 脑电信号来源  21-22
    2.1.2 脑电信号的特点  22-23
    2.1.3 脑电信号节律特性  23-24
  2.2 脑电信号采集  24-26
    2.2.1 采集前准备  24
    2.2.2 脑电极的导联方法  24-25
    2.2.3 采集系统  25-26
  2.3 基于改进阈值的平移不变量小波脑电消噪  26-33
    2.3.1 小波变换原理  26-28
    2.3.2 平移不变量小波消噪原理  28
    2.3.3 基于改进阈值量化算法的平移不变量小波消噪方法  28-29
    2.3.4 实验方法  29-30
    2.3.5 实验结果分析  30-33
    2.3.6 结论  33
  2.4 本章小结  33-34
第3章脑电信号特征提取与模式识别方法  34-45
  3.1 小波包  34-36
    3.1.1 小波包原理  34-35
    3.1.2 小波包分解  35
    3.1.3 小波熵与小波能量  35-36
  3.2 CSP 算法  36-38
    3.2.1 “一对一”方法  36-37
    3.2.2 “一对余”方法  37
    3.2.3 “一对一”方法和“一对余”方法比较  37-38
  3.3 基于SVM 的模式分类  38-44
    3.3.1 支持向量机原理  38-41
    3.3.2 基于支持向量机的多类分类方法  41-44
      3.3.2.1 基于支持向量机的多类分类比较  41-43
      3.3.2.2 二叉树支持向量机  43-44
    3.3.3 支持向量机的特点  44
  3.4 本章小结  44-45
第4章运动想象脑电信号特征提取与模式识别  45-55
  4.1 数据信息  45-47
    4.1.1 数据说明  45-46
    4.1.2 数据分析  46-47
  4.2 7 类脑电信号分步特征提取  47-51
    4.2.1 运动想象脑电信号和非运动脑电想象信号的特征提取  47-49
    4.2.2 4 类运动想象脑电信号的特征提取  49-51
  4.3 基于SVM 的7 类脑电信号模式识别  51-54
    4.3.1 SVM 核函数与惩罚因子的选定  51-52
    4.3.2 分类识别  52-53
    4.3.3 分类结果评估  53-54
      4.3.3.1 Kappa 系数  53
      4.3.3.2 分类结果  53-54
  4.4 本章小结  54-55
第5章动作状态下脑电信号控制智能轮椅的研究  55-66
  5.1 动作状态下脑电信号控制智能轮椅方案  55-57
    5.1.1 电动轮椅  55-56
    5.1.2 控制方案及策略  56-57
  5.2 脑电信号采集辅助软件  57-58
  5.3 动作状态下脑电采集  58-61
    5.3.1 实验技术信息及实验人员  58-59
    5.3.2 实验采集过程  59
    5.3.3 有效性分析  59-61
  5.4 动作状态下脑电信号特征提取  61-63
    5.4.1 动作状态下脑电信号特征定性分析  61-62
    5.4.2 基于CSP 算法的动作状态下脑电信号特征提取  62-63
  5.5 动作状态下脑电信号模式识别  63-64
    5.5.1 模式识别  63-64
    5.5.2 结果分析  64
  5.6 本章小结  64-66
第6章总结与展望  66-68
  6.1 工作总结  66
  6.2 研究展望  66-68
致谢  68-69
参考文献  69-73
附录  73-74
详细摘要  74-78

脑电信号控制智能轮椅的研究

内容摘要

全文目录

相似论文