频率同步特征及SVM%2fHMM混合模型在脑-机接口中应用的研究.pdfVIP

Study on Frequency Synchronization Features and SVM/HMM Hybrid Model in the Application of Brain Computer Interface A Thesis Submitted to Chongqing University in Partial Fulfillment of the Requirement for the Master ’s Degree of Engineering By Cai Yi Supervised by Ass. Prof. Zhang Li Specialty: Electrical Engineering School of Electrical Engineering of Chongqing University, Chongqing, China April, 2015 中文摘要 摘 要 脑-机接口（Brain-Computer Interface，BCI ）是新的大脑与外界环境进行直接 通信的通路。随着各个基础科学的共同发展，综合了诸多学科的脑-机接口已经从 最初主要的医疗、康复等应用领域拓展到了军事、交通、娱乐等新的领域。现在 脑-机接口不仅能够为残障人士提供辅助，而且还能够为正常人群提供一种新的娱 乐、工作方式。基于脑-机接口这门综合学科的重要研究价值以及脑-机接口在人类 社会中的广泛应用前景，美国、欧盟等世界发达国家和地区已经提出了多种大脑 研究计划。随着这些大脑计划的提出，脑-机接口正成为世界范围内的重要研究领 域。 论文主要对基于运动想象的脑-机接口进行研究。在基于运动想象的脑-机接口 中，特征提取和模式识别是最为关键的两个部分。这两个部分直接影响脑-机接口 的性能，所以论文对这两个部分进行了重点探讨。 论文根据在脑电信号中广泛应用的相位同步特征，衍生出了频率同步特征的 概念。由于大脑不同区域的活动变化体现出节律性，论文就期望通过直接利用这 种节律的变化来提取脑电信号的特征。论文根据锁相值（Phase Locking Value ，PLV ） 的定义，定义了锁频值（Frequency Locking Value ，FLV ），其中FLV 包括互锁频值 （Mutual-Frequency Locking Value ，MFLV ）和自锁频值（Self-Frequency Locking Value ，SFLV）。论文将PLV 与MFLV 和SFLV 应用到BCI 竞赛2008 2b 数据集和 自主采集的脑电信号中，并做了对比实验，实验结果显示新的频率同步特征比相 位同步特征更好地表达了大脑活动的变化，当MFLV 和 SFLV 作为脑电信号特征 时能够获得更好的分类正确率。 SVM（Support Vector Machine，SVM）和HMM （Hidden Markov Model ，HMM ） 都以统计学习理论的概率模型为基础。根据 SVM 的基本理论，SVM 的最优分类 函数主要体现了样本类与类之间的差异，而 HMM 则通过同一类样本建模，体现 了一类样本类内的相似性。论文将这两种方法结合建模，创建了SVM/HMM 混合 模式的拓扑结构，并将这种新的模式识别方法应用到实际的脑电信号中。实验采 用BCI 竞赛2008 2a 数据集和自主采集的脑电信号，通过与SVM 分类结果的比较， 验证了SVM/HMM 混合模式对两类脑电信号和四类脑电信号进行模式识别的有效 性。 论文对脑-机接口中最为核心的特征提取和模式识别两部分进行了研究。在 BCI 竞赛数据和自主采集的脑电实验数据的基础上，分析和讨论了频率同步特征和 SVM/HMM 混合模式应用在脑电信号中的有效性。频率同步特征和SVM/HMM 混