学位论文 > 优秀研究生学位论文题录展示

基于脑意识任务的脑机接口设计

作　者: 邹继东
导　师: 陈晓平
学　校: 江苏大学
专　业: 控制理论与控制工程
关键词: 小波熵脑电信号神经网络脑-计算机机接口支持向量机
分类号: TP273.5
类　型: 硕士论文
年　份: 2006年
下　载: 230次
引　用: 1次
阅　读: 论文下载

内容摘要

基于EEG信号的脑-计算机接口(BCI)是近年来一个热门的研究领域。基于脑电的BCI并非试图解释自发脑电，而是使人产生容易被解释的脑电，BCI识别出这种脑电后，就可以做出不同的选择或发出不同的指令。BCI的构架可以简单划分为两部分，前端为脑电讯号的特征提取与辨识，后端则为与其他硬体的结合与应用，例如手部假肢，电脑(利用脑电信号控制鼠标)等等。本文的工作重点在前端，设计了一种进行意识思维任务时脑电信号(EEG)的高辨识率二分类BCI，并提出了一种应用此二分类BCI进行多种工作任务识别的方法。首先，应用独立分量分析方法(ICA)对EEG数据进行了预处理，去除了EEG数据包含着的其他电生理信号成份及其他干扰信号；然后，应用AR模型系数、近似熵和小波熵三种方法对去伪迹后的EEG数据信号进行特征提取，其中小波熵不仅可以表征信号复杂度在时域的变化情况，也可以表征信号的诸多频域特征，具有良好的时频局部化能力，适合对脑电信号进行处理；最后，应用设计的BP神经网络、RBF神经网络和支持向量机三种分类器，分别对两种不同的脑意识意识任务状态的特征数据进行了两两分类，并将三种分类器的分类结果进行了比较分析，其中以支持向量机的分类正确率最高。分类结果为，当选用合适的意识任务状态、小波熵特征提取方法及支持向量机分类器时，分类正确率达到95％。此分析结果表明：脑意识任务可以作为现在BCI(脑机接口)设计中的输入信号；小波熵能有效提取脑意识任务的意识信息，可以将其应用到脑意识任务BCI的特征提取中；支持向量机可作为此BCI设计中可行的分类器。

全文目录

第一章绪论  12-20
  1.1 脑-计算机机接口(BCI)技术的发展动态  12-14
    1.1.1 BCI的产生及结构  12-13
    1.1.2 BCI的应用与发展  13-14
  1.2 脑电信号  14-16
    1.2.1 脑电图(EEG)  14
    1.2.2 脑电信号的特征  14-16
  1.3 EEG信号分析技术  16-19
    1.3.1 EEG信号的时域分析  16
    1.3.2 EEG信号的频域分析  16-17
    1.3.3 EEG的高阶谱分析  17-18
    1.3.4 EEG的时频分析  18
    1.3.5 EEG的神经网络分析  18-19
    1.3.6 熵理论  19
  1.4 本文工作内容  19-20
第二章 BCI的特征提取方法  20-36
  2.1 AR模型  20-23
    2.1.1 单变量自回归(SVAR)模型方法  20-22
    2.1.2 多变量的自回归模型(MVAR)  22-23
    2.1.3 模型阶数的选择  23
  2.2 小波分析技术  23-27
    2.2.1 小波分析  24
    2.2.2 连续小波变换  24-25
    2.2.3 离散小波变换  25
    2.2.4 多分辨率分析  25-26
    2.2.5 离散序列的小波分解  26-27
  2.3 信息熵  27-31
    2.3.1 熵  27-29
    2.3.2 信息  29
    2.3.3 信息熵  29-31
  2.4 近似熵  31-35
    2.4.1 近似熵算法  31-32
    2.4.2 近似熵快速算法  32-35
  2.5 小波熵  35
  2.6 本章小结  35-36
第三章 BCI分类器设计  36-46
  3.1 常用分类器(模式识别方法)  36-38
    3.1.1 分类器种类与应用  36-38
    3.1.2 解决非线性问题的方法  38
  3.2 神经网络  38-42
    3.2.1 神经元模型选择  38-40
    3.2.2 神经网络的结构  40-41
    3.2.3 神经网络的学习方法  41
    3.2.4 神经网络学习算法的不足  41-42
  3.3 支持向量机  42-45
    3.3.1 统计学习理论  42-43
    3.3.2 最优分类面  43-44
    3.3.3 支持向量机  44-45
  3.4 本章小结  45-46
第四章 BCI分类分析与系统构成  46-67
  4.1 BCI数据处理  46-57
    4.1.1 EEG数据消噪  46-50
    4.1.2 EEG数据分段  50-51
    4.1.3 特征提取  51-54
    4.1.4 分类器设计  54-57
  4.2 BCI分类结果分析  57-62
    4.2.1 AR模型系数特征提取分类结果分析  57-60
    4.2.2 近似熵特征提取分类结果分析  60-61
    4.2.3 小波熵特征提取分类结果分析  61-62
  4.3 BCI分类结果分析总结  62-64
    4.3.1 三种特征提取方法的比较  63
    4.3.2 三种分类器的比较  63-64
  4.4 二分类BCI的应用  64
  4.5 BCI(离线)系统构成  64-67
    4.5.1 EEG信号采集系统  64-65
    4.5.2 实验方案  65-66
    4.5.3 记录电极的安放位置  66
    4.5.4 脑电图的导联法  66
    4.5.5 实验分析  66-67
第五章总结与展望  67-69
  5.1 脑意识任务BCI设计工作总结  67
  5.2 脑意识任务BCI的发展展望  67-69
参考文献  69-72
致谢  72-73
攻读硕士期间发表的论文  73

基于脑意识任务的脑机接口设计

内容摘要

全文目录

相似论文