基于运动想象的脑机接口通道选择算法研究

摘要

脑机接口(BCI)是一种新型的人机交互技术，它不依赖于人体正常的外周神经通路与肌肉组织，直接通过计算机为大脑与外界环境搭建一个交流与通信的渠道。基于运动想象的脑机接口是时下最受关注的BCI范式，其中准确提取感知运动节律的变化特征和有效分类运动想象脑电信号是这类系统得以实现的关键技术。而通道选择是影响系统性能的重要因素。
　　本文提出了几种基于运动想象BCI实验范式的通道选择方法，并研究了不同实验范式下分类性能与通道数量的关系以及实验范式对最优通道数量的影响。本文的主要工作和研究成果有:
　　1.针对大多数运动想象分类算法只利用mu和beta频段特征的缺点，提出了一种多频段及空间域信号特征相结合的方法。先把单通道脑电信号划分成多频段，用信号包络提取子频段的特征信息，再结合通道拓扑（通道数量）的变化，用皮尔逊相关系数法进行EEG的分类，并利用该方法粗略研究了一维光标移动控制和典型的运动想象任务BCI实验中分类性能和通道数量的关系。
　　2.在工作1的基础之上，提出了一种新型的Relief-SBS通道选择算法。该算法结合Relief的统计相关性原理和顺序后向选择算法的迭代思想对EEG通道进行选择。并用correlation coefficent进行分类，取得最优分类准确率的通道即认定为最优通道。以运动想象任务实验数据为分析对象，结果表明利用Relief-SBS进行通道选择后系统能取得出色的分类准确率，与其他的特征选择方法相比，其分类性能也更突出，说明了本方法的准确性和有效性。
　　3.已有的通道选择研究主要聚焦于无视觉反馈且不实时控制的运动想象任务BCI实验范式，对于有视觉反馈与实时控制的一维和二维光标控制BCI实验范式，相关的研究甚少。本文提出了一种新型的IterRelCen算法用于最优通道选择，该方法基于ReliefF的原理，但是调整了目标样本选择的策略以及引入了迭代计算的思想。利用IterRelCen对多频段多通道的信号包络特征进行特征选择，并利用加强的支持向量机(SVM)进行多分类。我们对来自于三个不同的BCI实验范式的EEG数据进行分析，结果表明IterRelCen能有效地进行最优通道选择，性能也优于其他通道选择算法。此外，研究结果还表明，从运动想象任务BCI实验到一维光标控制实验，再到二维光标控制实验，取得最优分类准确率所需的通道数量是递增的，最优通道数量与实验范式复杂度呈正相关。
　　本文提出的算法及得到的研究结果可为优化基于运动想象的BCI系统提供有用信息，并推动基于运动想象脑机接口技术的发展。

目录

声明

摘要

图目次

表目次

第1章 绪论

1．1 脑机接口概述

1．2 脑机接口系统的组成

1．3 脑机接口的研究现状

1．4 本文的研究内容和组织结构安排

第2章 基于运动想象的BCI和通道选择简介

2．1 运动想象脑电及电极分布

2．2 基于运动想象BCI系统的通道选择

2．2．1 通道选择的研究意义

2．2．2 最优通道选择方法研究现状

2．3 本章小结

第3章 基于频域空间域信号特征相结合的分类方法

3．1 本章解决的主要问题

3．2 算法原理

3．3 实验结果

3．3．1 一维光标控制BCI实验结果

3．3．2 运动想象任务BCI实验结果

3．4 本章小结

第4章 基于Relief-SBS的运动想象脑机接口通道选择

4．1 本章解决的主要问题

4．2 算法原理

4．2．1 信号预处理与特征提取

4．2．3 特征归一化

4．2．3 Rellef-SBS结合的通道选择

4．2．4 分类算法Correlation Coefficient

4．3 实验数据及算法实验结果

4．3．1 实验数据描述

4．3．2 算法实验结果分析

4．4 本章小结

第5章 基于IterRelCen的通道选择算法及在不同范式中的应用

5．1 本章解决的主要问题

5．2 通道选择算法

5．2．1 ReliefF算法概述

5．2．2 基于IterRelCen的特征选择算法

5．3 BCI实验范式的区别概述

5．4 支持向量机分类算法

5．5 实验数据及实验结果

5．5．1 三类BCI实验范式的数据

5．5．2 实验结果

5．6 结果讨论

5．6．1 不同BCI实验范式的相关通道数量

5．6．2 相关的通道与频段

5．6．3 本章的不足之处

5．7 本章小结

第6章 总结和展望

6．1 本文的主要工作和成果

6．2 研究展望

参考文献

作者简历

攻读博士学位期间主要的研究成果

致谢