学位论文 > 优秀研究生学位论文题录展示

自发脑电脑机接口技术及脑电信号识别方法研究

作　者: 杨帮华
导　师: 颜国正
学　校: 上海交通大学
专　业: 精密仪器及机械
关键词: 脑机接口自发脑电模式识别小波变换小波包变换小波包最优基遗传算法概率神经网络支持向量机联合优化
分类号: TH772.2
类　型: 博士论文
年　份: 2007年
下　载: 1143次
引　用: 4次
阅　读: 论文下载

内容摘要

脑机接口是指一种不依赖于人脑的正常输出通路的脑-机通讯系统,是一种新的人机接口方式。它的实质为通过脑电信号推断人的想法或目的,从而实现人机交流。脑机接口既是人类了解和提高脑功能的重要手段,又是一种全新的通讯和控制方式,有望提高人类的生活质量。它在残疾人康复、正常人辅助控制、娱乐、脑认知等领域有广泛的应用前景。脑机接口包括两种类型:基于自发脑电的脑机接口和基于诱发脑电的脑机接口。其中,基于自发脑电的脑机接口依赖于自发脑电信号。首先,人进行特定思维活动,产生特定模式的自发脑电信号;其次,自发脑电信号借助高性能的生物电信号采集系统进行记录,经过设计的数据处理算法把脑电特征实时地提取出来,进而进行自动分类识别,从而实时判断出当前人所处的思维状态;最后,通过计算机将判断出来的思维状态翻译成预先设定的控制命令,实现人脑对计算机等外部设备的直接控制。本论文对自发脑电脑机接口技术及脑电信号识别方法进行研究,首先分析和探讨了其涉及的技术,在此基础上设计了脑机接口系统;接着对自发脑电的模式识别技术进行深入研究,提出和应用了若干模式识别方法,并用标准竞赛数据进行初步检验;最后依据建立的实验系统,设计基于运动想象的实验范例,用获取的实验数据对这些模式识别方法进行检验。基于自发脑电的脑机接口主要涉及三项技术:信号产生与记录、信号模式识别、实际应用。脑机接口属于交叉研究,涉及多个学科:神经科学、生理学、心理学、计算机科学、康复医学等,目前对整个系统缺乏具体详细的描述,这些技术的分析和探讨为脑机接口系统的建立、设计与研究提供了指导。基于这些技术,设计了脑机接口系统。在脑机接口涉及的三项技术中,信号模式识别最为重要,关系到能否将输入正确地转换为输出。考虑本学科的研究特点和模式识别在脑机接口研究中的重要性,本论文主要对模式识别技术进行深入研究。模式识别主要包括三个环节:特征提取、特征选择和分类。本文的研究重点紧密围绕这三个环节,以期提高脑机接口系统的识别精度。目前,较低的识别精度是限制脑机接口发展的一个重要因素。特征提取是指从信号中提取有用信息,形成初始特征,为后续不同脑状态的

全文目录

摘要  4-7
Abstract  7-14
第1章绪论  14-23
  1.1 课题产生背景  14
  1.2 脑机接口的基本知识  14-16
    1.2.1 脑机接口定义与原理  14-15
    1.2.2 脑机接口类型及特点  15-16
  1.3 基于自发脑电的脑机接口研究现状  16-19
    1.3.1 国外研究现状  16-19
    1.3.2 国内研究现状  19
  1.4 基于自发脑电的脑机接口存在问题  19-20
  1.5 本文研究的目的和意义  20
  1.6 本文主要研究内容及创新点  20-23
第2章自发脑电脑机接口技术及系统设计  23-33
  2.1 自发脑电脑机接口组成  23-24
  2.2 自发脑电脑机接口技术  24-29
    2.2.1 信号产生与记录技术  24-28
    2.2.2 信号模式识别技术  28-29
    2.2.3 实际应用技术  29
  2.3 自发脑电脑机接口系统设计  29-32
    2.3.1 硬件系统  30-31
    2.3.2 软件系统  31-32
  2.4 本章小结  32-33
第3章脑电信号特征提取方法  33-56
  3.1 特征提取方法的研究现状及存在不足  33-35
    3.1.1 特征提取方法研究现状  33-34
    3.1.2 存在不足  34-35
  3.2 基于小波变换系数及系数均值的特征提取  35-38
    3.2.1 小波变换简介  35-36
    3.2.2 小波变换特征表示  36
    3.2.3 特征提取方法  36-38
    3.2.4 方法特点  38
  3.3 基于小波包分解系数及子带能量的特征提取  38-42
    3.3.1 小波包分解  39-40
    3.3.2 初始特征的形成  40
    3.3.3 特征矢量的形成  40-41
    3.3.4 方法特点  41-42
  3.4 基于小波包最优基的自适应个性化特征提取  42-47
    3.4.1 基本理论  42-43
    3.4.2 小波包最优基  43-44
    3.4.3 自适应特征提取步骤  44-45
    3.4.4 自适应个性化特征提取步骤  45
    3.4.5 方法特点  45-47
  3.5 BCI2003竞赛Data Set Ia处理结果  47-54
    3.5.1 Data Set Ia数据描述  47
    3.5.2 不同方法数据处理结果  47-54
  3.6 本章小节  54-56
第4章脑电信号特征选择与分类方法  56-78
  4.1 特征选择方法  56-64
    4.1.1 特征选择基本理论  56-57
    4.1.2 特征选择方法研究现状  57
    4.1.3 基于自适应遗传算法的特征选择（AGA-FS）  57-61
    4.1.4 BCI2003竞赛Data Set Ia处理结果  61-64
  4.2 分类方法  64-73
    4.2.1 分类方法研究现状  64-65
    4.2.2 基于概率神经网络的分类  65-67
    4.2.3 基于AGA优化支持向量机模型的分类  67-70
    4.2.4 BCI2003竞赛Data Set Ia处理结果  70-73
  4.3 特征选择与分类的联合优化  73-76
    4.3.1 联合优化基本理论  73-74
    4.3.2 联合优化具体实现  74-75
    4.3.3 BCI2003竞赛Data Set Ia处理结果  75-76
  4.4 本章小节  76-78
第5章实验设计及识别结果  78-97
  5.1 基于运动想象的实验范例设计  78-81
    5.1.1 实验范例设计基础  78
    5.1.2 实验范例设计  78-81
  5.2 实验数据简介  81
  5.3 实验数据的模式识别方法及结果  81-94
    5.3.1 特征提取方法及结果  82-87
    5.3.2 特征选择方法及结果  87-90
    5.3.3 分类方法及结果  90-92
    5.3.4 特征选择与分类联合优化方法及结果  92-94
  5.4 实验数据的处理结果分析  94-96
    5.4.1 特征提取结果分析  94
    5.4.2 特征选择结果分析  94-95
    5.4.3 分类结果分析  95
    5.4.4 特征选择与分类联合优化结果分析  95-96
  5.5 本章小节  96-97
第6章总结与展望  97-102
  6.1 论文主要工作  97-98
  6.2 进一步研究内容  98-102
参考文献  102-111
致谢  111-112
攻读博士学位期间发表和录用的学术论文  112-116

自发脑电脑机接口技术及脑电信号识别方法研究

内容摘要

全文目录

相似论文