基于左右手運動想象的分類算法與腦-機接口研究.pdf

1、腦-機接口(Brain-Computer Interface，BCI)將人的思維解讀為一系列的外部控制命令，使人們可以不依賴神經(jīng)肌肉通路而達到與外界交流的目的。腦-機接口的研究在康復(fù)工程領(lǐng)域以及理論價值方面都具有重要的意義。盡管腦-機接口的研究已經(jīng)有很多成果，然而BCI系統(tǒng)在實際的應(yīng)用中仍有很多的問題待解決，比如系統(tǒng)的速度和精度以及在線連續(xù)識別等問題。因此，研究具有高效率的算法以及開發(fā)實用性的在線腦-機接口系統(tǒng)具有十分重要的意義。

2、>　　 本文根據(jù)左右手運動想象中腦電信號的μ節(jié)律的特性，對其特征提取和模式識別算法進行深入的研究，且對部分算法做出一定的改進，提高了算法的分類精度，并最終建立具有實時在線識別功能的腦-機接口系統(tǒng)。具體工作如下：
　　 (1)自主設(shè)計左右手運動想象的腦電信號采集實驗，主要有2名受試者參與了該實驗，采集到的數(shù)據(jù)用于后續(xù)的離線特征提取與模式識別算法分析。
　　 (2)所使用的特征提取算法能是否能很好地反映腦電信號的特點，將極

3、大地影響最終分類的精度。本文研究了基于峭度極大的動態(tài)ICA、AR模型、共同空間模式以及二階矩能量等特征提取算法，對采集到的運動想象腦電信號的分類取得了較好的效果。
　　 (3)模式識別方面，使用遺傳算法對一些神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值以及對支持向量機的參數(shù)進行優(yōu)化，提高了分類精度。另外，采用基于后驗概率的支持向量機方法，選擇一部分具有較大后驗概率值的樣本添加到訓(xùn)練集中，對訓(xùn)練集進行一定的擴充，從而改善對測試樣本識別的精度。
　　

4、 (4)運用Visualc++編程語言，對SCAN軟件客戶端軟件進行開發(fā)，實現(xiàn)了一個能夠在線識別左右手運動想象系統(tǒng)。系統(tǒng)分別采用二階矩能量和基于峭度極大的動態(tài)ICA算法進行特征提取。基于峭度極大的動態(tài)ICA算法產(chǎn)生的混合矩陣系數(shù)的時間波形能及時準確地反映μ節(jié)律能量變化。兩者判定識別結(jié)果的方式都是通過比較能夠反映運動想象腦電信號的μ節(jié)律特性的特征能量的大小，其在線識別率分別能達到87％和97％。使用二階矩能量特征，運算量小，算法簡單易實