基于EEG信号的认知任务模式分类研究

摘要

认知科学是研究人类感觉、知觉、精神状态、大脑思维过程和信息处理过程的前沿性尖端学科,该方面的研究对揭示人脑之谜具有重要意义。认知任务的模式分类被广泛用于构建脑机交互系统、研究人脑的工作机制和各种脑疾病的发病机理。为了探索人脑的认知机理,本文重点针对两类认知任务-运动想象分类任务和驾驶疲劳状态分类任务–基于脑电信号进行了深入研究。
　　运动想象任务的模式分类是构建脑机交互系统的重要方式之一,构建该类系统的关键在于对执行不同肢体运动想象任务时的脑电进行特征提取,然后对提取的特征进行分类,并把特征分类结果转化为外部设备的控制命令。针对运动想象任务,本文重点研究了脑电信号的特征提取算法,主要做了两方面工作,一方面研究学习了多种经典特征提取算法,针对传统公共空间模式算法中滤波器成分选择方法的不足,提出了一种基于相关系数的新滤波器成分选择方法;另一方面本文根据传统微状态定义提出了一种广义微状态概念,并基于此广义概念提出了一种新的特征提取算法。本文使用国际BCI竞赛运动想象数据集和实验室自采集的数据集验证了上述两种算法的有效性。
　　驾驶是一项涉及视觉、听觉、思维和判断等多种认知功能的复杂任务,如何区分长时间驾驶前后的警醒状态和疲劳状态是本文的另一个关注重点。为了达到研究目的,本文首先设计了一项模拟驾驶实验,搜集了长时间驾驶过程中的脑电数据;然后使用基于格兰杰因果关系构建的脑效应网络对比研究了驾驶员疲劳前后脑电信号模式的变化情况。该项研究发现了易受疲劳影响的大脑区域,并且发现脑效应网络的若干属性可以作为区分警醒状态和疲劳状态的指标。本文使用的研究方法一定程度上克服了当前多数疲劳检测算法不能衡量脑区之间的信息传递关系的缺点,研究结果对于实用疲劳检测系统的电极安放位置和检测指标的选择具有一定的指导意义。
　　本文针对所选的两类认知任务进行了深入研究。在运动想象分类方面,针对传统公共空间模式算法提出的改进意见思路简洁,行之有效;基于广义微状态提取的特征包含了脑电模式的空间信息,分类简单。在疲劳状态检测和分类方面,基于脑效应网络展开研究,从网络角度可以全面衡量大脑活跃模式的全局特性和局部特性,使用因果关系计算的效应连接可以在一定程度上反映不同脑区间的信息流向,方法新颖。两类任务具有很高的科研价值和实用意义。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 引言

1.2 认知任务模式分类的研究意义

1.3 认知任务模式分类的应用

1.4 认知功能的几种研究方法

1.5 本文研究内容

1.6 论文结构

第二章 基于EEG的认知任务模式分类研究基础

2.1 引言

2.2 大脑生理结构及功能区域划分

2.3 脑电信号研究基础

2.4 脑电信号的采集

2.5 脑电信号的处理与分析

2.6 脑电信号在认知分类方面的应用

2.7 本章小结

第三章 基于EEG的运动想象任务分类研究

3.1 引言

3.2 运动想象分类研究基础

3.3 数据集描述

3.4 基于相关系数的CSP成分选择算法研究

3.5 基于广义微状态的运动想象分类研究

3.6 本章小结

第四章 基于EEG的驾驶疲劳状态分类研究

4.1 引言

4.2 实验设计与分析

4.3 实验方法和分析

4.4 实验结果

4.5 结果讨论

4.6 本章小结

第五章 总结与展望

5.1 全文总结

5.2 展望

致谢

参考文献

附录