学位论文 > 优秀研究生学位论文题录展示

基于脑电的意识任务特征提取与识别方法研究

作　者: 高湘萍
导　师: 吴小培
学　校: 安徽大学
专　业: 信号与信息处理
关键词: 自适应AR模型(AAR) 核Fisher判别分析(KFDA) 四阶累积量支持向量机核函数
分类号: TP391.41
类　型: 硕士论文
年　份: 2006年
下　载: 306次
引　用: 3次
阅　读: 论文下载

内容摘要

脑机接口(BCI)是一种全新的人机接口方式，它不依赖于脑的正常输出通道(外周神经与肌肉系统)，而是直接从大脑获取与外界通讯的信息。脑机接口的一个重要用途是为那些思维正常但有严重运动障碍的患者提供语言交流和环境控制途径，提高其生存质量。脑机接口在自动控制、军事领域也有潜在的应用价值。鉴于其巨大的应用前景，脑机接口已引起国际科学界的高度重视。脑机接口研究正成为脑科学、康复工程、生物医学工程及人机自动控制研究领域的一个新的热点。当前绝大部分脑机接口是建立在脑电信号(EEG)基础上的。脑电信号是由大脑产生的电活动，可以从头皮或大脑皮层记录到。基于EEG的信息交换方法的探索就是试图将EEG或它的某些分量转化为一种新的输出通道，通过它大脑能够与外界进行信息交换与控制。在BCI系统中，脑电的特征提取与识别是非常关键的环节。如果此环节处理不好，系统就不能正确解读出使用者意识活动中包含的特殊指令，也就不能对控制设备发出符合使用者意图的控制指令。本文主要针对这一环节开展了相关工作。本论文提出了利用自适应AR模型(AAR)进行脑电信号特征提取的方法。因为脑电是一种典型的非平稳随机信号，而自适应AR模型也是一种非平稳随机模型，它是很适合于描述EEG信号的。文中我们详细研究了该模型在脑电信号特征提取中的应用。利用C3和C4导联提取的模型系数作为信号的特征向量，并且提出了一种确定模型参数的方法——最小化相对误差方差。实验结果显示，这是一种有效的区分两种运动想象EEG模式的方法，最高识别正确率达到了85％。这一非平稳模型很好地描述了EEG信号的非平稳随机特性，同时自适应的算法为它提供了具有很高时间分辨率(等于抽样率)的参数。它的计算量非常小，很容易满足实时性要求，是一种很好的在线处理方法。但是在包含较多瞬态过程的高度非平稳的EEG信号中，这一方法很可能会失败。这也正是其局限性。

全文目录

摘要  3-5
Abstract  5-11
第一章绪论  11-20
  1.1 引言  11-12
  1.2 脑机接口的基本概念  12-14
  1.3 基于 EEG的 BCI研究方法  14-18
    1.3.1 BCI使用的脑神经信号  14-17
    1.3.2 基于脑电信号分析的意识任务识别方法概述  17-18
  1.4 本文的主要工作  18-20
第二章脑电信号(EEG)分析  20-29
  2.1 引言  20
  2.2 脑电信号基础知识  20-25
    2.2.1 脑电图  20
    2.2.2 脑电的主要频率成分  20-22
    2.2.3 脑电的采集与预处理  22-25
  2.3 脑电信号分析方法  25-28
    2.3.1 脑电信号的时域分析  25-26
    2.3.2 脑电信号的频域分析  26-28
  2.4 本文在脑电信号处理方法上的探索  28-29
第三章自适应 AR模型算法  29-37
  3.1 引言  29
  3.2 AAR模型  29-32
    3.2.1 模型的数学表示  29-30
    3.2.2 模型系数(?)的估计  30
    3.2.3 模型参数UC的估计准则  30-32
  3.3 实验结果分析  32-35
    3.3.1 实验数据说明  32-33
    3.3.2 结果分析  33-35
  3.4 本章小结  35-37
第四章核 Fisher判别分析  37-46
  4.1 引言  37
  4.2 KFDA算法  37-40
    4.2.1 线性 FDA算法  37-38
    4.2.2 KFDA算法  38-40
  4.3 实验结果分析  40-45
  4.4 本章小结  45-46
第五章支持向量机理论  46-58
  5.1 引言  46
  5.2 机器学习的基本问题  46-47
  5.3 统计学习理论  47-49
  5.4 支持向量机  49-55
    5.4.1 最优分类面  50-52
    5.4.2 支持向量机  52-55
  5.5 SVM的研究现状  55-56
  5.6 本章小结  56-58
第六章 SVM分类器在意识任务识别中的应用  58-68
  6.1 引言  58
  6.2 SVM分类的流程  58
  6.3 SVM的实例分析  58-62
  6.4 SVM在意识任务识别中的应用  62-67
    6.4.1 利用 AAR模型系数设计 SVM分类器  62-66
    6.4.2 利用 KFDA算法提取的特征设计 SVM分类器  66-67
  6.5 本章小结  67-68
第七章基于脑电的四阶累积量算法  68-76
  7.1 引言  68
  7.2 归一化四阶累积量方法概述  68-70
    7.2.1 滑动窗口法估计四阶累积量  68-69
    7.2.2 变窗口法估计四阶累积量  69-70
  7.3 实验结果分析  70-74
  7.4 本章小结  74-76
第八章总结与展望  76-79
  8.1 全文总结  76-77
  8.2 展望  77-79
致谢  79-80
在读期间发表论文情况  80-81
参考文献  81-85

基于脑电的意识任务特征提取与识别方法研究

内容摘要

全文目录

相似论文