自发脑电脑机接口技术和脑电信号识别方法研究.pdf

上海交通大学博士学住论文 素。 特征提取足指从信号中提取有用信息，形成初始特征，为后续不同脑状态的 区分提供基础。本文在分析现有特征提取方法存在问题的基础上，提出了基于小 波变换系数及系数均值的特征提取、基于小波包分解系数及子带能量的特征提 取、基于小波包最优基的自适应个性化特征提取，并将提出方法与现有的基于自 回归模型系数的特征提取、基于传统时．频相结合的特征提取进行比较。脑电信 号是典型的非平稳信号，小波及小波包分解可以更好地分析此类信号。此外，脑 电信号具有个体差异性，提出的各种方法中，基于小波包最优基的白适应个性化 特征提取可自动为每个使用者选择特定的最优表达，从而使每个实验者获取最佳 特征，可以更加有效地提取自发脑电信号特征。 特征选择是从众多的特征中选择一个最佳的特征子集，以期改善分类器的识 别性能。将基于自适应遗传算法的特征选择应用于脑机接口，并与现有的基于简 单遗传算法的特征选择、基于Fisher距离的滤波特征选择进行比较。分类是依据 输入的特征子集，输出特征应该归属的类别。将基于概率神经网络的分类、基于 优化支持向量机模型参数的分类应用于脑机接口，并与现有的线性分类、基于经 验支持向量机的分类进行比较。由于特征选择和分类密不可分，在特征选择与分 类相结合的方法中提出了用自适应遗传算法对特征选择与支持向量机模型参数 联合优化的识别方法，该方法可以有效进行特征选择和分类。 对所研究的方法进行了理论分析之后，为检验这些方法的有效性，首先对 2003年脑机接口国际竞赛的标准数据进行了分析处理来初步验证，然后依据建 立的实验系统，设计实验范例，并对实验数据进行分析处理。本论文设计了基于 三种运动想象任务(想象左手拍篮球，想象右手拍篮球，想象右脚踩刹车)的实 验范例。以识别精度为指标，将研究的模式识别方法与其它现有的识别方法进行 比较，结果表明研究的方法能够取得更好的效果。 探讨的自发脑电脑机接口技术为其研究提供了指导。研究的模式识别方法为 其实现提供了更好的解决思路。本文所做的研究将为下一步建立基于自发脑电的 脑控机器人实用系统奠定了基础。由于实验数据的局限性，研究的模式识别方法 的鲁棒性有待进一步验证，基于自发脑电的脑机接口离实际应用还有很大的距 离。在论文的最后，对整个论文的工作和研究成果进行了总结，并提出了下一步 研究内容。 Ⅱ 摘要 关键词：脑机接Cl，自发脑电，模式识别，小波变换，小波包变换，小波包最优 基，遗传算法，概率神经网络，支持向量机，联合优化 UI 上海交通大学博士学住论支 oFBRAIN—CoMPUTERlNTERE～CE TECHNoLOGY BASEDONSPONTANEoUSEEGANDRESEARCHON RECOGNITIONMETHoDSOFEEGSIGNAL Abstract A acommunicationthatdoes brain-computerinterface(BCI)is system not onthebrain’Snormal of HelVeS depend outputpathwaysperipheral alternativeandanovelinteffacebetweenhumanand andmuscles．Itisan essenceofa BCIistodeducehuman or computers．The thoughts SO intentionsvia a