基于EEg-NIRS的少通道脑机接口研究

摘要

脑机接口(brain-computer interface，BCI)是目前被广泛关注的一个重要研究方向，其目的是建立一个大脑与外部环境之间信息交互和控制的通道。目前脑机接口的研究越来越趋于实用化和可穿戴化。而基于运动想象的BCI由于其不需要借助外界刺激，属于独立型BCI，因而一直以来都是BCI研究中的热点。双模态BCI由于其信号的独立和互补性，为建立少通道的便携BCI系统提供可能。
　　本文主要研究了基于脑电（electroencephalography, EEG）-近红外(near-infraredspectroscopy, NIRS)的双模态少通道运动想象BCI系统，探讨了该双模态BCI从实验范式到模式分类的整体过程。并取得了如下的研究成果:
　　(1)本文首先根据EEG、NIRS运动想象信号产生的生理机制，采用溯源方法，从大脑皮层激活的层面定位左右手运动想象激活的主要脑部区域为Brodmann分区中的辅助运动区6区。从而从信号源层面上确定少通道EEG-NIRS BCI系统的通道排布，即EEG通道为10-20系统对应的C3，CZ，C4，NIRS通道则布置为C3和C4周边各3对发射极和接收极。
　　(2)为了更好的提取少通道BCI特征，本文在运用共同空间模式(common spatialpatterns，CSP)方法进行空间滤波前，先利用相空间重构(phase space reconstruction, PSR)方法对3通道EEG信号进行了通道扩展。为了检验该方法的有效性，本文利用2005 BCI竞赛数据集Ⅲa的3通道数据分别经CSP方法和PSR+CSP方法提取后的特征运用同种分类器进行四分类。结果发现:仅利用CSP方法特征提取分类正确率为43.0％，而PSR+CSP方法特征提取正确率提高到73.9％。而对于本实验采集的数据，CSP方法特征提取分类正确率为60.7％，而PSR+CSP方法特征提取正确率提高到74.7％。而对于本文自采的少通道EEG数据分别经CSP方法和PSR+CSP方法提取后的特征运用同种分类器分类，发现PSR+CSP方法得到的正确率比CSP方法高出约15％。说明PSR+CSP方法能够有效的提取少通道BCI特征。
　　(3)本文探讨了基于数据融合的双模态信号模式分类，尝试了基于支持向量机(support vector machine, SVM)的特征层融合和基于误差反向传播(back propagation,BP)神经网络的决策层融合，其中利用SVM对EEG，NIRS信号进行特征层融合取得了更好的分类结果。基于SVM的双模态特征层融合BCI系统平均正确率达81.2％，最高正确率100％，比任一单模态正确率都高。且由于采用数据融合技术，使得对某种脑信号采集技术反应不明显的被试，能够在另一种技术上得到补充，从而使得本文的最低正确率从EEG单模态最低58.3％、NIRS单模态最低43.1％，提高到双模态最低75.0％。并且基于SVM的特征层融合将融合和决策同时进行，从而节省了系统信号处理的时间提高了响应速度。采用双模态数据融合建立BCI系统，提高了系统的时空间覆盖能力、降低了系统的信息模糊程度，从而使得双模态BCI系统具有良好的鲁棒性、准确性;并有效减少了BCI盲拓展了BCI系统的适用人群。

目录

声明

摘要

注释表

第一章 绪论

1．1 脑机接口研究背景

1．1．1 脑机接口的定义

1．1．2 脑机接口的组成

1．1．3 脑机接口的分类

1．2 脑机接口的研究现状

1．2．1 单模态脑机接口研究现状

1．2．2 多模态脑机接口研究现状

1．3 本文的主要研究内容

1．4 论文的章节安排

第二章 运动想象诱发脑电和血氧变化的生理学基础

2．1 大脑皮层及其功能分区

2．2 运动想象诱发脑电的生理学基础

2．2．1 脑电的产生及测量机制

2．2．2 运动想象诱发的事件相关同步／去同步

2．3 运动想象诱发血氧变化的生理学基础

2．3．1 血氧变化的产生及测量机制

2．3．2 运动想象诱发的血氧变化

2．4 本章小结

第三章 基于运动想象的双模态脑机接口系统实验设计

3．1 实验环境

3．2 被试

3．3 实验范式

3．4 双模态脑机接口信号采集

3．4．1 脑电信号采集

3．4．2 功能近红外血氧信号采集

3．5 本章小结

第四章 运动想象脑功能定位及脑机接口通道选择

4．1 运动想象相关脑电源定位及通道选择

4．1．1 运动想象相关脑电源定位

4．1．2 运动想象脑电通道选择

4．2 运动想象相关功能近红外源定位及通道选择

4．2．1 运动想象相关功能近红外源定位

4．2．2 运动想象功能近红外通道选择

4．3 本章小结

第五章 双模态脑机接口系统特征提取

5．1 信号预处理

5．1．1 脑电信号去噪

5．1．2 血氧信号去躁

5．2 脑电信号特征提取

5．2．1 现有的常用特征提取算法

5．2．2 基于相空间重构的共同空间模式少通道脑电信号特征提取算法

5．2．3 脑电信号特征提取算法对比

5．3 血氧信号特征提取

5．3．1 血氧变化的幅值特征

5．3．2 血氧变化的导数特征

5．3．3 血氧变化的趋势效应

5．3．4 血氧信号特征提取方法对比

5．4 本章小结

第六章 双模态脑机接口系统的模式分类

6．1 数据融合方法概述

6．2 基于支持向量机的特征层数据融合及分类

6．2．1 支持向量机基本原理

6．2．2 基于支持向量机的融合及分类

6．2．3 特征层融合参数选择

6．3 基于神经网络的决策层数据融合及分类

6．3．1 神经网络基本原理

6．3．2 基于神经网络的融合及分类

6．3．3 决策层融合参数选择

6．4 单模态模式分类与双模态模式分类的结果比较

6．5 本章小结

第七章 总结与展望

7．1 总结

7．2 展望

参考文献

致谢

在校期间发表论文情况