面向认知状态识别的EEG特征提取方法研究-计算机科学与技术专业毕业论文.docxVIP

Classified Index：TP39 U.D.C.: 681.3 Dissertation for the Master Degree RESEARCH ON EEG FEATURE EXTRACTION METHOD FOR COGNITIVE STATUS RECOGNITION Candidate: Wang Xinjie Supervisor: Prof. Li Haifeng Academic Degree Applied for: Master of Engineering Specialty: Computer Science and Technology School of Computer Science and Affiliation: Technology Date of Defense: June，2015 Degree-Conferring-Institution: Harbin Institute of Technology 摘要 摘要 摘要 脑机接口(BCI)是一种快速发展的新兴技术，其研究目的是建造一个人脑 和计算机之间通信的直接通道。一个有效的 BCI 系统应该包括三个步骤：一 是记录脑电(EEG)信号；二是从记录的脑电信号中提取认知任务相关的特征 或信息；三是将提取的信息转换为一个控制命令。其中，特征提取是最为关 键的一步。本文主要研究面向认知状态识别的 EEG 特征提取方法。 首先，本文设计了一个包含 11 种认知任务的认知实验，采集了多名被试 的脑电数据，本数据集认知状态种类丰富、数据分辨率高、数据量大，在国 际上处于领先水平。 其次，本文提出了一种基于时频能量的公共空间模式(CSP)特征提取方 法，与传统的 CSP 方法相比，本文方法不但保留了时域方差特征，而且引入 了频域能量特征，在 5 任务认知状态数据集上获得了较高的识别率。本文面 向 BCI 应用中需要快速精准解析大脑认知状态的问题，提出了一种 CSP 与非 负矩阵分解(NMF)相结合的脑电特征提取方法。针对脑电信号通道多、数据 量大、冗余严重等问题，首先利用 CSP 算法将原始信号投影到多个类别的差 别最大化公共空间，然后计算反应信号整体分布情况的时频能量作为整体特 征。其次利用 NMF 算法强大的局部表征能力，提取 EEG 信号的局部特异性 特征，以提升不同类别信号的区分度。再将整体特征与局部特征进行融合后， 最后采用支持向量机(SVM)作为分类器，在 BCI2005Ⅳa 竞赛数据集上进行了 测试实验，获得 87.18%的识别准确率，优于传统的 CSP 及 sCSP 和 KLCSP 等改进方法。本文提出的方法为脑电信号的特征提取问题提供了一种新的理 论框架。 最后，本文以基于脑电信号的人类认知状态分类识别为背景，研究一种 基于 F-score 的特征评价与选择的 CSP 构建方法。利用 F-score 计算代价小、 可以快速从高维数据中选择出有效信息和特征的特性，实现对一种模式的重 要程度做出定量表达；针对 F-score 阈值确定的难点问题，提出一种基于 F-score 积分演变趋势的阈值自动确定方法；面对大数据应用中信息冗余的问 I 题，提出了一种基于最大相关最小冗余原则的 F-score 冗余信息剔除方法。 针对传统 CSP 方法无法自适应实现的问题，提出了一种联合 CSP 与 F-score 共同选择重要模式的方法。 本文提出的方法在脑认知活动解析实验中，针对静息、心算、信件腹稿、 几何旋转、数字书写想象等五类认知状态取得了 92%的识别准确率，在本文 建立的多任务认知状态数据集中，获得了理想的效果。本文方法为脑电特征 提取问题供了一个强有力的新工具。 关键词：脑机接口；公共空间模式；非负矩阵分解；认知状态识别；F-score II Abs Abstract PAGE PAGE IV Abstract Brain Computer Interface (BCI) is a fast-growing emergent technology, in which researchers aim to build a direct channel between the human brain and the computer. The efficiency of a BCI should encompass three stages: the first is recording of the cerebral signal; the second is extraction of mental task related features or information from the recor