独立分量分析在脑-机接口中的应用研究-计算机应用技术专业论文.docx

摘 要 近年来，脑-机接口（Brain-Computer Interface: BCI）作为一种新型的人机交 互技术，已成为当今脑科学和生物医学工程领域的热点课题。基于 EEG 信号的 BCI 是指在人脑和计算机或者其它电子设备之间建立的一种直接信息交流和控 制通道。随着认知神经科学、计算机科学与信号处理技术的飞速发展，脑- 机接 口技术正在逐步向实用化方法发展。 独立分量分析（Independent Component Analysis: ICA）是 20 世纪 90 年代中 期发展起来的一种多维统计分析方法。近年来 ICA 在脑-机接口中的应用一直倍 受关注，但是从目前已报道的研究中可以看出：ICA 方法主要还是被作为一种预 处理手段，用于消除原始脑电信号中的干扰成分，进而改善脑-机通信的正确识 别率。而且在很多情况下均采用的是批处理 ICA 进行的脑-机接口离线分析。 考虑到脑电信号具有很强的非平稳性，本论文的研究工作主要是围绕适合非 平稳信号的在线 ICA 算法及其在脑-机接口中的应用问题展开的。论文的主要创 新点在于：提出了将基于滑动窗的在线 ICA 算法应用于信号包络检测的新思路， 并成功地将这种思路应用于 BCI 系统的信号特征提取和分类识别。通过对大量 实测数据的分类测试，结果验证了所提方法的有效性。围绕这一创新点，本文在 以下几个方面做了一些有特色的工作： 1．在对 ICA 基本理论进行分析研究的基础上，重点对 Herault-Jutten 算法、 Cichocki-Unbehauen 算法、扩展 Infomax 算法和峭度极大 ICA 算法展开了研究， 并对这几种算法的批处理和基于单个样本更新的在线形式进行了探讨和性能对 比分析，为算法的改进提供了指导方向。 2．研究了改进的基于滑动窗的在线 ICA 算法，并分别在非时变混合模型和 时变混合模型两种情况下，对滑动窗在线算法的盲分离性能进行了研究分析。仿 真实验结果说明滑动窗在线 ICA 算法能够在一定程度上兼顾批处理算法的稳定 性和基于单个样本更新在线算法的自适应跟踪性能，对时变混合情况也能够获得 较理想的盲分离结果。并提出了将滑动窗在线 ICA 算法应用于信号包络检测的 新思路。仿真实验结果说明：利用在线算法得到的动态混合矩阵系数对信号进行 包络提取是完全可行的。  3．由于 EEG 信号的强非平稳性，提出了将适合非平稳性信号分析的 Hilbert-Huang 变换(HHT)方法引入脑-机接口的思想。通过实测数据分析得到： 利用 HHT 算法中的 EMD 分解方法可以成功地实现对 SSVEP 信号的预处理和特 征提取。此外，在基于 HHT 的左右手运动想象分析过程中，提出了一种基于运 动想象μ节律包络特性的分类识别思想。实验结果验证了该思路是可行的，并为 在线 ICA 算法在脑-机接口中的应用提供了指导思想。 4．提出了将在线 ICA 算法应用于脑-机接口的新思路。大量的实测数据分类 结果证明：利用在线 ICA 算法的包络提取性能，可以成功地实现对左右手运动 想象脑电的动态分析和识别。为了验证分类结果的有效性，论文同时采用基于 AR+BP、AR+LDA、AR+SVM 和二阶矩能量的四种分类方法进行对比分析，结 果表明基于在线 ICA 的分类效果非常理想。而且需要说明的是：在基于在线 ICA 算法的分类过程中并没有训练的环节，因此这种不经过训练就能获得较好分类结 果的在线方法将会对 BCI 系统的简化提供很大的帮助。 5．对在线 ICA 算法在 α 波检测中的应用进行了研究，结果进一步验证了在 线 ICA 算法对于脑电节律波进行实时包络提取的可行性。 6．成功地开展了对基于左右手运动想象、SSVEP 和 α 波检测三类 BCI 系统 的自主实验设计和数据采集工作，并获得了大量有效的自主实验数据，为本实验 室的后续研究工作提供了数据来源。 关键词：脑- 机接口(BCI)，独立分量分析(ICA)，在线算法，运动想象，包络检 测  Abstract In recent years, as a new human-computer interaction technology, Brain-Computer Interface (BCI) has been a hotspot in brain science and biomedical engineering. EEG-based BCI can provide a direct communication and control channel for sending messages and instructions from brain to external computers or other