基于運(yùn)動(dòng)想象腦電信號(hào)非線性特性分析的腦-機(jī)接口研究.pdf

1、腦-機(jī)接口(Brain-Computer Interface,BCI)是一種幫助人們利用他們的大腦控制和使用外部設(shè)備的一種通信系統(tǒng),在此過(guò)程中不需要外周神經(jīng)和肌肉的參與。BCI是一門(mén)涉及神經(jīng)科學(xué)、信號(hào)處理、計(jì)算機(jī)科學(xué)等多個(gè)領(lǐng)域的交叉學(xué)科。近20年來(lái),已成為國(guó)際智能科學(xué)領(lǐng)域的一個(gè)研究熱點(diǎn)。BCI研究的核心就是如何將用戶(hù)的腦電信號(hào)轉(zhuǎn)換成外部設(shè)備的控制信號(hào)。所以BCI研究最重要的工作就是要尋找合適的信號(hào)處理和轉(zhuǎn)換方法,使得人腦的意識(shí)特征信號(hào)能

2、夠快速、準(zhǔn)確地被計(jì)算機(jī)識(shí)別。一般來(lái)說(shuō),BCI系統(tǒng)可以看成是一個(gè)模式識(shí)別系統(tǒng)。一個(gè)BCI系統(tǒng)是否成功主要取決于兩個(gè)方面的因素:①獲取的特征能夠區(qū)分不同的意識(shí)任務(wù);②分類(lèi)算法準(zhǔn)確有效。所以如何建立準(zhǔn)確可靠的特征提取模型和設(shè)計(jì)高效的分類(lèi)算法是目前研究的主要難點(diǎn)。
　　目前,在基于運(yùn)動(dòng)想象的腦-機(jī)接口研究中,對(duì)EEG進(jìn)行特征提取和分類(lèi)往往都建立在EEG信號(hào)是線性的這一假設(shè)的基礎(chǔ)之上。然而,大量研究表明,EEG信號(hào)是非線性的,采用線性方法來(lái)

3、對(duì)EEG信號(hào)進(jìn)行處理,會(huì)導(dǎo)致其非線性特征丟失,從而減弱這些特征在區(qū)分不同意識(shí)任務(wù)時(shí)的性能。所以,本論文在針對(duì)EEG信號(hào)的非線性特性研究的基礎(chǔ)上,根據(jù)目前特征提取和分類(lèi)算法中存在的問(wèn)題,提出了新的基于EEG非線性特性的特征提取算法,并通過(guò)仿真實(shí)驗(yàn)證明了其可行性。論文的主要研究?jī)?nèi)容包括以下幾個(gè)方面:
　?、賹?duì)EEG動(dòng)力學(xué)模型的非線性特性進(jìn)行分析。通過(guò)相空間重構(gòu)技術(shù),對(duì)求解得到的EEG信號(hào)進(jìn)行了重構(gòu)。得出了he的吸引子隨著參數(shù)pee和p

4、ei變化的規(guī)律。從而證實(shí)了大腦中存在混沌這一觀點(diǎn)。對(duì)實(shí)際測(cè)得的EEG信號(hào)進(jìn)行了非線性特性的研究。計(jì)算了腦-機(jī)接口競(jìng)賽提供的兩個(gè)基于運(yùn)動(dòng)想象的數(shù)據(jù)集中EEG樣本的最大 Lyapunov指數(shù),計(jì)算結(jié)果表明,幾乎所有的標(biāo)準(zhǔn)數(shù)據(jù)集當(dāng)中的EEG樣本的最大Lyapunov指數(shù)均大于零。進(jìn)一步證實(shí)了大腦中存在混沌的論點(diǎn),因而可以使用非線性分析方法來(lái)對(duì)EEG信號(hào)進(jìn)行分析。
　?、诜謩e計(jì)算了兩個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集樣本的幾種常見(jiàn)的混沌特征量,即最大Lyapu

5、nov指數(shù)、關(guān)聯(lián)維數(shù)和近似熵,并分別使用最大Lyapunov指數(shù)、關(guān)聯(lián)維數(shù)和近似熵作為運(yùn)動(dòng)想象的特征進(jìn)行分類(lèi)。結(jié)果表明,直接使用最大Lyapunov指數(shù)和關(guān)聯(lián)維數(shù)作為運(yùn)動(dòng)想象任務(wù)的特征,不能很好的區(qū)分各種運(yùn)動(dòng)想象任務(wù)。而近似熵是衡量時(shí)間序列中產(chǎn)生新模式概率大小的一種度量,它更適合表示不同的意識(shí)任務(wù)。在對(duì)近似熵特征進(jìn)行分析的基礎(chǔ)上,提出了一種基于時(shí)間窗的近似熵特征提取和分類(lèi)算法。該算法模擬在線腦-機(jī)接口的情況,在每個(gè)時(shí)間窗內(nèi)對(duì)意識(shí)任務(wù)進(jìn)行

6、分類(lèi),實(shí)驗(yàn)結(jié)果表明,分類(lèi)器能較好的區(qū)分左右手運(yùn)動(dòng)想象任務(wù)。
　?、厶岢隽艘惶谆谙嗫臻g重構(gòu)的特征提取方法。從理論上證明了相空間重構(gòu)函數(shù)具有濾波功能,并能夠?qū)EG信號(hào)進(jìn)行相位和幅度調(diào)節(jié),從而使相空間的特征更能區(qū)別不同的腦電任務(wù)?；谙嗫臻g的特征提取方法保留了傳統(tǒng)的線性特征提取方法的優(yōu)勢(shì),又使獲取的特征具有相空間的信息,因而提高了分類(lèi)器的分類(lèi)性能。本文使用了2003和2005兩屆腦機(jī)接口競(jìng)賽提供的數(shù)據(jù)進(jìn)行了仿真,并采用了和競(jìng)賽相同的

7、評(píng)價(jià)標(biāo)準(zhǔn):互信息和最大互信息峭度。實(shí)驗(yàn)結(jié)果表明,該方法是一種極具競(jìng)爭(zhēng)力的特征提取方法。采用相空間特征的Fisher分類(lèi)器在Graz2003數(shù)據(jù)集取得了最大互信息值0.67,這是目前報(bào)道的最好結(jié)果。在對(duì)Graz2005數(shù)據(jù)集進(jìn)行仿真的結(jié)果表明,相空間特征同樣具有很好的效能,在平均最大互信息峭度和分類(lèi)正確率的評(píng)價(jià)標(biāo)準(zhǔn)下均取得了很好的成績(jī)。
　　④針對(duì)共空間模式(Common spatial pattern,CSP)在解決多分類(lèi)問(wèn)題中的

8、組合方式問(wèn)題,提出了一種基于CSP和Fisher線性分類(lèi)器的二叉樹(shù)組合方式(BCSP)。在該方式下,Fisher線性分類(lèi)器和 CSP以二叉樹(shù)的方式進(jìn)行排列。任務(wù)的分類(lèi)采用二叉查找的方式進(jìn)行。在BCSP中,使用的CSP濾波器和Fisher分類(lèi)器的數(shù)目比傳統(tǒng)的“一對(duì)它”方式更少。而且在N分類(lèi)過(guò)程中,對(duì)CSP投影矩陣和分類(lèi)器的計(jì)算也能保持在最多2log N級(jí)別,大大提高了分類(lèi)的效率,提高了分類(lèi)的準(zhǔn)確率。
　?、菰诰€BCI游戲平臺(tái)的開(kāi)發(fā)與

9、實(shí)現(xiàn)。在對(duì)研究結(jié)果進(jìn)行總結(jié)的基礎(chǔ)上,設(shè)計(jì)了一套基于Neuroscan的在線BCI游戲系統(tǒng)。該系統(tǒng)可以通過(guò)腦電來(lái)進(jìn)行Hangman游戲操作。該系統(tǒng)集成了訓(xùn)練模塊,測(cè)試模塊和游戲模塊。能夠完成從訓(xùn)練到實(shí)際操作的一整套功能。系統(tǒng)使用了C3、C4和O1通道來(lái)記錄EEG信號(hào),其中C3和C4通道的EEG信號(hào)用來(lái)提取左右手運(yùn)動(dòng)想象任務(wù)的腦電特征,O1通道的?波作為確認(rèn)信號(hào)。該系統(tǒng)采用了基于相空間重構(gòu)的特征提取算法和 Fisher線性分類(lèi)器。對(duì)6個(gè)用戶(hù)