基于稳态视觉诱发电位的脑机接口系统研究-计算机技术专业论文.docxVIP

万方数据 万方数据 Dissertation Submitted to Hangzhou Dianzi University for the Degree of Master Research of Brain Computer Interface based on Steady-State Visual Evoked Potential Candidate: Liu Jianhui Supervisor: Prof. Kong Wanzeng March, 2016 杭州电子科技大学 学位论文原创性声明和使用授权说明 原创性声明 本人郑重声明： 所呈交的学位论文，是本人在导师的指导下，独立进行研 究工作所取得的成果。除文中已经注明引用的内容外，本论文不含任何其他个人 或集体已经发表或撰写过的作品或成果。对本文的研究做出重要贡献的个人和集 体，均已在文中以明确方式标明。 申请学位论文与资料若有不实之处，本人承担一切相关责任。 论文作者签名： 日期： 年 月 日 学位论文使用授权说明 本人完全了解杭州电子科技大学关于保留和使用学位论文的规定，即：研 究生在校攻读学位期间论文工作的知识产权单位属杭州电子科技大学。本人保证 毕业离校后，发表论文或使用论文工作成果时署名单位仍然为杭州电子科技大 学。学校有权保留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文 的全部或部分内容，可以允许采用影印、缩印或其它复制手段保存论文。（保密 论文在解密后遵守此规定） 论文作者签名： 日期： 年 月 日 指导教师签名： 日期： 年 月 日 摘要 脑机接口是一种不依赖于正常神经肌肉途径的信息传输通道，目的是给那些 患有运动性功能障碍的病人提供一种新的与外界交流的途径。本文针对基于稳态 视觉诱发电位(steady-state evoked potential，SSVEP)的脑机接口系统，在深入研 究了 SSVEP 相关知识的基础上，设计并研发了一个基于 SSVEP 的在线脑机接口 系统。具体的工作如下： (1) 在 SSVEP 信号特征识别上，针对目前主流的两种特征识别方法，功率谱 密度分析(PSDA)方法以及典型相关分析(CCA)方法分别进行了改进。本文提出了 一种基于经验模态分解(empirical mode decomposition，EMD)的功率谱高斯方法， 称为 M-PSDA(a modified power spectral density analysis)，该方法利用 EMD 将脑 电原始信号分解为若干的 IMF(固有模态函数)，剔除掉低频的干扰部分，重构后 的信号再结合高斯模型进行功率谱分析，实验证明该方法有效提高了频率识别的 准确率。在 3s 的时间窗下，识别正确率相较于传统 PSDA 方法提高了 12%，达 到了 85%。并且由于只需要一个记录电极的数据，特别适合于可穿戴脑电设备或 者记录电极较少的情况。 (2) 视觉诱发器是整个 BCI 系统个关键，在视觉诱发器方面，本文对刺激参 数进行了细致的比较与选择，利用 DirectX 应用程序接口，Windows 高精度计数 器以及帧定时的原理，设计并实现了一个高精度的视觉刺激器，并将其运用于基 于 SSVEP 的在线脑机接口系统中，达到了精确的频率刺激的要求。 (3) 本文在 visual studio 2013 平台，采用 C#语言编程实现了集脑电信号采集， 信号处理与转换，特征识别于一体的实时信号处理系统，构建了基于 SSVEP 的 在线脑机接口系统，该系统使用可穿戴的脑电设备 Emotiv，提高了在线 BCI 系 统的便利性。系统的演示程序是一个简单的足球游戏，具有上下左右四个控制命 令，3s 的时间窗下平均识别准确率达到 73.7%，信息传输率为 25.03bit/min. 本 文还详细介绍了该系统完整的组成结构，设计思路，并实验验证了它的稳定性和 实用性。为后面实现更加实用化、功能更加丰富的脑机接口系统奠定了基础。 关键词：脑机接口，稳态视觉诱发电位，典型相关分析，经验模态分解，高 斯模型 I ABSTRACT BCI is a system which is not depend on the normal brain communication pathway, muscles and nerves. The initial goal to build a BCI system is to bring those motor disabilities with a way that they can communicate with the external environment. This thesis focused on the relevant k