基于獨(dú)立分量分析的在線腦-機(jī)接口系統(tǒng)研究與實(shí)現(xiàn)(20210319210251)

1、基于獨(dú)立分量分析的在線腦 接口系統(tǒng)研究與實(shí)現(xiàn) Absiraa AtWact 龍 in * JcompuferL.nfeJlaceRiajis,: new Lype 2fr-uman bompu jn*lsBC3翹期 y_ htw-FgQspen?drRI-e such a ihe sower espqnse speed of system - fjie -ower resognzon accuracy and 屯 o are 洱三 some cruc.al Bszem 的 rdcdOBC1 sy空 n -mp-erTumta=on need s be on - Thus fhe researc

2、hes of efficCDnf EEG processing a-goshms have significant sowed* such ais【he s-owrtr response speed ofMHnlA tliE -owerccognidon alcxmcy meaning inbui-ding on-ine BQ system - and s . ThprJh 尹朮需護(hù)霑hesaf effkieHEmG prgessing 3tiForiLhm5 hnve -n f he research 023 1時(shí)於頻域分析RTXER$現(xiàn)象 -；1耳：.3 :,2參數(shù)建模： 2.4 Ml.空

3、模式分類(lèi)方法 2 : 4. 1線性分類(lèi)器 2 : 4. 2非線性分類(lèi)器 2.5 本章小結(jié)” 第三章運(yùn)動(dòng)想象腦機(jī)接口系統(tǒng) 3 . 1運(yùn)動(dòng)想象腦電采集：:-. 3:2信號(hào)預(yù)處理 /3 : 3特征提取伙:- ; 3 . 4模式分類(lèi)二 35 控制- 豐 、 . 第四章獨(dú)立分量分析， 3.4模式分類(lèi) 3.5控制與反饋 3,6本章小結(jié). 第四章獨(dú)立分昴分析 3. 6 .14i 一.泊 1 ：7 18 15 .19 * + + “卄 F * + + + + * IT F 1 * 4 + +# + * r* + * + 卡* ！ EE *hi!i!F +， + + + *T!1! PF M 卜+ *I!F ；

4、* + * !. Ff + + * + * V 28 30 311 30 31 ,* + 1丄亠厶亠+4 3 丄 31 32343-符 5； 2系統(tǒng)的硬件平臺(tái)“ 5；3系統(tǒng)的軟件模塊；.，. “ 5： 3 ： 1數(shù)據(jù)采集與預(yù)處理 5殳12 iCA濾波器設(shè)計(jì)處理 知冬J運(yùn)動(dòng)想象分類(lèi)計(jì) 5： 3 4結(jié)果反饋 5 4系統(tǒng)的離線分析 5, 4.第頻段選取 55 2運(yùn)動(dòng)想象數(shù)據(jù)段選取 5. 4 3 iCA導(dǎo)聯(lián)選取 *+ 5； 4 4離線實(shí)驗(yàn)需.八 5. 5系統(tǒng)的在線實(shí)驗(yàn)，.：； 5- 6詡侖: . ：. 5. 6： 1實(shí)驗(yàn)數(shù)據(jù)分析 5.5 5丄6,2 ICA訓(xùn)練樣本的優(yōu)化選擇 5；7本章小結(jié) rfHj.

5、 鼻 4 kr r + + * + ” + + * r r s1 i - r + + rn ! n -irr r t * ! * * m f w f ? ? + r n !U ni i -r + -r r n ir T T n -r -r i! w m ir ir F F F r ta ai m sr 本章小結(jié). 第六章總結(jié)與展望T 6 4總結(jié)卩二茍皿荷.七三 6. I總、三口 6： 2展望 . 參考文獻(xiàn) :. 滋44年即5455556-.5755創(chuàng)一站幹 4667M 曲S9 4!r一 B七 a-Bai+”l. b- fa 4. 1盲源分離 12ICA概 .- 肓第五章，基于； ICA .的在

6、線BCI.系統(tǒng)是全文的核心部分，本章設(shè)計(jì)并實(shí)現(xiàn)了 一個(gè)基于 |CA .的在線凹BC1 .系統(tǒng)。首先介紹了系統(tǒng)的實(shí)驗(yàn)范式和硬件平臺(tái)，在 描述系統(tǒng)軟件模塊的過(guò)程中詳細(xì)介紹了系統(tǒng)所采用喬種新穎的有利于在線實(shí)現(xiàn)和硬件平臺(tái)，在 的ICA濾波器設(shè)計(jì)方法，并對(duì)該方法的有效性進(jìn)行了驗(yàn)證。為了提高系統(tǒng)的在 描述系統(tǒng)軟什模塊的過(guò)程中詳細(xì)介紹廠系統(tǒng)所采用一種新穎的有利于在線實(shí)現(xiàn) 線精度，本章詳細(xì)介紹了通過(guò)系統(tǒng)的離線分析功能對(duì)在線實(shí)驗(yàn)參數(shù)的優(yōu)化選擇過(guò) 程。通過(guò)對(duì)離線分析結(jié)果和在線實(shí)驗(yàn)數(shù)據(jù)的對(duì)比分析，討論了單個(gè)個(gè)體JCi和 個(gè)體間交叉Bel 系統(tǒng)性能的影響因素。最后分析了ICA訓(xùn)練樣本的優(yōu)化選擇問(wèn)“ 題。！ i - 第

7、六章，總結(jié)與展望；:.：；l I 八：; : J . 題 第六章，總結(jié)與展莖 萬(wàn)方數(shù)據(jù) 生物體中活的細(xì)胞和組織無(wú)時(shí)無(wú)刻不在發(fā)生著電位的變化，這稱為“生物 電現(xiàn)象”。生物電現(xiàn)象在細(xì)胞層面主要表現(xiàn)為兩種形式：安靜狀態(tài)下的細(xì)胞膜- - 內(nèi)外的電位差產(chǎn)生的靜息電位和細(xì)胞受到刺激時(shí)膜電位的變化產(chǎn)生的動(dòng)作電m H閡剋吩 位,人體中產(chǎn)生動(dòng)作電位的刺激可分為以下三種【日別企仙.】： 位, （1）自動(dòng)節(jié)律。例如心臟，腸等自動(dòng)組織無(wú)需外部刺激便: z月q匕.-,刺激自身。 2）內(nèi)部動(dòng)力。這類(lèi)刺激來(lái)自于人體內(nèi)部，如肢體的運(yùn)動(dòng)，首先在大腦產(chǎn)生:;i 命令，然后經(jīng)大腦的運(yùn)動(dòng)皮層傳輸?shù)郊∪?。此?lèi)刺激被用來(lái)實(shí)現(xiàn)運(yùn)動(dòng)想象腦機(jī)

8、脈“丫接口：通過(guò)讓用 戶想象左右手或腳的運(yùn)動(dòng)來(lái)產(chǎn)生控制命令: 。BCI研究中常見(jiàn)的基于聲VEp或p300的腦機(jī)接口采，用 R口研究中常見(jiàn)的基于SSVEP或1*300的瞄機(jī)接口兼 進(jìn)門(mén)外部刺激。例如光進(jìn)入眼睛,，聲音進(jìn)入耳朵時(shí)會(huì)在人體產(chǎn)生相應(yīng)的電位 變化，這稱 的便是此類(lèi)刺激。誘發(fā)電位， 用打勺藩們?nèi)粘Ｉ钪薪佑|較多的心電圖、腦電圖、胃電圖和肌電圖等就是人體 相應(yīng)的器官或組織中眾多細(xì)胞生物電現(xiàn)象的綜合表現(xiàn)。人體中這類(lèi)能反映人體 形態(tài)、機(jī)能及其變化狀態(tài)的信號(hào)稱為生物醫(yī)學(xué)信號(hào)。生物醫(yī)學(xué)電信號(hào)是一類(lèi)不 穩(wěn)定的，微弱的低頻非線性信號(hào),由于人體是一個(gè)復(fù)雜的有機(jī)體：各種生物醫(yī)；二嚨炕H站 學(xué)信號(hào)之問(wèn)會(huì)相互影

9、響，表二！ 2 : 1是幾種常見(jiàn)生物醫(yī)學(xué)信號(hào)的幅度和頻率【応玉321。亍 穩(wěn)定斷微弱的低頻非表字停常見(jiàn)生物醫(yī)學(xué)信號(hào)的畐度忖的有機(jī)體，各種生物醫(yī) 學(xué)館號(hào)之間冬ab蜀巒哺e ampdei邏兄種常嘰半物mm學(xué)轡me潮1幅嗖粋頻率“ 表2.1常見(jiàn)生物醫(yī)學(xué)信號(hào)的幅度和頻率 Tab. 2The ani 卩 litude and frequency of common biomedical signals 信號(hào)名稱 幅度范圍 頻率范圍（Hz） 心電(ECG) 0.01-5 mV 0,05-100 腦電(EEG) 2*200 屮 0.1-100 肌電(EMG) 0.02-5 mV 5-2000 宵電(EGG)

10、 0.014 mV 0-1 安徽大學(xué)碩士學(xué)位論文.第二章運(yùn)動(dòng)想象腦電的特征提取與分類(lèi)說(shuō) 茲2腦電信號(hào)概述 作為高度進(jìn)化的器官，腦是人體最重要的神經(jīng)中樞。人腦約包含.50. J00億個(gè)神經(jīng) 元，其中約蚩?jī)|個(gè)是皮質(zhì)錐體細(xì)胞，這些細(xì)胞間通過(guò)突觸傳遞魁突觸淞遞擔(dān)如圖2 1所 示，人腦可大體分為大腦、小腦、腦干三個(gè)部分，包圍在大腦表面的連通皮狀結(jié)構(gòu)稱為大 曲圍2.1嶄不，X腦可大棣分為夫腦、/b.腦干三個(gè)祁分，包圍在大腦表 腦皮層。大腦皮層由神經(jīng)元、星形膠質(zhì)細(xì)胞和其他支持細(xì)胞等神經(jīng)細(xì)胞組成，皮層神經(jīng)元 之間由大量的突觸連接二腦皮層有兩個(gè)一最為顯著的解剖特征：溝和回。如圖1 2/ 1（b），在 空間位置上

11、，大腦皮層可分為-若干個(gè)葉，每個(gè)葉對(duì)應(yīng)了人體的一些主要功能。其中額葉對(duì)= 應(yīng)學(xué)習(xí)、情緒、：抽.:象思維和自主運(yùn)動(dòng)等高級(jí)認(rèn)知功能；頂葉是軀體感覺(jué)皮層對(duì)應(yīng)空間，對(duì)- 應(yīng)于視 I覺(jué)和體感等信息的處理與整合.；顳葉與嗅覺(jué)、.聽(tīng)覺(jué)以及高級(jí)視覺(jué)等功能相對(duì)吾二.二應(yīng)；枕 頁(yè)與視覺(jué)處理有關(guān)。.：. |；. ,-.:.：: 覺(jué)和體感等信息的處理與整合；顓葉與膜覺(jué)、聽(tīng)覺(jué)以及高級(jí)視覺(jué)等功能相對(duì) 圖2. 1腦及大腦皮層分區(qū) 應(yīng)；枕頁(yè)與視覺(jué)處理有關(guān)。 閭?cè)薍iFigi.2 :川一曲eRuman妒9 351?，F(xiàn)代醫(yī)學(xué)中,常通過(guò)患者的腦電圖對(duì)大腦及神經(jīng)系統(tǒng)疾病（如肌萎縮 側(cè)索硬化癥、癲癇、腦損傷等擰 = ）進(jìn)行診斷和治療。

12、工茲代打訛：4：心 腦電用于精神病診斷的嘗試，他在】924年利用真空放大管首次從頭皮采集到腦 電信號(hào)現(xiàn)代醫(yī)學(xué)中，常通過(guò)患者的腦電圖對(duì)大腦及神經(jīng)系統(tǒng)疾病（如肌萎 縮側(cè)索哽化癥，癲癇、腦攝傷等）進(jìn)行診斷和治療。 萬(wàn)方數(shù)據(jù) 安徽大學(xué)碩士學(xué)位論文.第二章運(yùn)動(dòng)想象腦電的特征提取與分類(lèi)j . - .V 2衛(wèi)1 1采集方法 11 萬(wàn)方數(shù)據(jù) 20% 10% 有優(yōu)缺點(diǎn)。植入式方式主要用于腦部有嚴(yán)重?fù)p傷的入，而使用頭皮電極的非植 有優(yōu)缺點(diǎn)植入式方式主要用于腦部有嚴(yán)里損跡人，而偉用頭皮電極的非檀 入式方式以其安全無(wú)創(chuàng)、簡(jiǎn)便易行、成本低廉等優(yōu)點(diǎn)被廣泛米用，故而本文也 使用此種采集方式。全無(wú)創(chuàng)、簡(jiǎn)便易行、鍛本低廉等優(yōu)點(diǎn)

13、被廣泛采用故而本文也 為了規(guī)范腦電采集的電極安放位置，學(xué)術(shù)界普遍使用國(guó)際通用的“10.20國(guó) 際標(biāo)準(zhǔn)導(dǎo)聯(lián)”系統(tǒng),如下圖所示。一般采用左右耳垂的Um i ?Al和A2電極作為參考宀 電 極。與左手，腳，右手的運(yùn)動(dòng)想象有關(guān)的電極為. - C3, Cz,C4。、程老嚇丸存芒 電扱口與左手.腳右手的運(yùn)動(dòng)想象有關(guān)的電極為C3 S C4. 鼻根點(diǎn) 鼻根點(diǎn) 10% 20% 20% 20% 圖-2. 2 1.0.； 20電極系統(tǒng) Fig . 2. 2 1 0-20 Electrode System 圖2.2 10-20電扱系統(tǒng) 2. 2. 2分類(lèi) Fig. 2J 10-20 Electrode Syslem

14、止工大腦皮層有其獨(dú)特的生物電現(xiàn)象，它的電位變化有兩種表現(xiàn)形式：一種是 連續(xù)的有節(jié)律的自發(fā)性電位變化生另一一種是由于眼、耳、鼻等感受器官受到刺現(xiàn)形式：一種是 激而產(chǎn)生的局部高電位變化 【361。根據(jù)這種電活動(dòng)，我們可將腦電信號(hào)分為自發(fā) 腦 電和誘發(fā)腦電兩種的自發(fā)性電位變化，另一種是由于眼、耳、鼻等感受器官豎到刺 激而生的局部高電位變化I殉抿據(jù)這種電活動(dòng)，我們可將腦電信號(hào)分為自發(fā) 腦電和誘發(fā)腦電兩種. .i（1）自發(fā)腦電i（EEG）。Berge在試驗(yàn)中發(fā):現(xiàn)：正常人閉眼休息時(shí)，枕區(qū)和頂區(qū)沆和 會(huì)產(chǎn)生一種頻率約為i0Hz,幅度約為一 509V的節(jié)律性電位變化,他將其命名為 a 波：而睜眼時(shí)，Q波被阻

15、塞，取而代之的是另一種頻率約為18. 20Hz，幅度約 波；而睜眼時(shí)，a波彼阻塞，取而代之的是另一種頻率約為18-20HZ,幅度約 為20. 309V的節(jié)律，他稱這種節(jié)律為13波【34】。表2. 2列出了幾種常見(jiàn)的自發(fā)腦 丄嫌這種節(jié)律為B波bl*表2,2列岀了幾種常見(jiàn)的自發(fā)腦 二_ . ：!_ :二里壘E蘭蛐tl蘭坐一 表2. 2腦電節(jié)律二1 - 是幾種腦電節(jié)律的時(shí)域波形圖。 電節(jié)律“圏2,3是幾種腦一一域波宦 表2. 2腦電 表2.2腦電節(jié)律 節(jié)律頻率（1-Iz）幅度（pV）- 節(jié)律頻率（HR幅度他 電節(jié)律。圖 2 . 3 產(chǎn)生 產(chǎn)生 della節(jié)津 （詢 】-4 20 -200 theti

16、節(jié)律 陶跛） 4-S 100 -150 alpha節(jié)律 373 1A 1 nn （0液） 2.U - 1UU beta節(jié)律 J4 -30 5 -20 皈人在腫眠，缺範(fàn)深度麻醉大腦器質(zhì) 性病變諄狀態(tài)時(shí)產(chǎn)生 用倦，威大腦神經(jīng)中樞系統(tǒng)被抑制時(shí)產(chǎn)生 閉目休息的安靜狀態(tài)產(chǎn)生；睜眼，恩考， 接覺(jué)其他刺激時(shí)艘阻斷 閉目是眄在額葉出現(xiàn)；突然聽(tīng)到肖響或者 掙眼看親更等興閒狀彎也會(huì)產(chǎn)生_ 圖2. 3腦電節(jié)律 Fi磐域去甲Egwyims Fig. 2.3 EEG rtiythms 安徽大學(xué)碩士學(xué)位論文.第二章運(yùn)動(dòng)想象腦.電的特征提取與分類(lèi)_ 可見(jiàn)腦電信號(hào)是比較微弱的，這給信號(hào).的采集帶來(lái)了.疋的困難，冋精度的庫(kù)訂沖

17、 采集放大器有助于解決這一問(wèn)題。此外，EEG還有較強(qiáng)的非平穩(wěn)性，精神狀態(tài) 萊嶽夭啓肴站于統(tǒng)決這一問(wèn)題B此外，EEG還有較強(qiáng)的非平捷性，精神狀態(tài) 和年齡等因素都會(huì)影響其節(jié)律，有時(shí)還會(huì)岀現(xiàn)一些瞬態(tài)沖擊，較為典型的是癲癇患 者痙攣發(fā)作時(shí)的棘菠和快速眼動(dòng)噪聲等。用卅現(xiàn)gg 皿或 (Event-Related Potentials , ERP) (2)誘發(fā)腦電.(EP)。EP又稱為 是對(duì)人體感受器官施加某種刺激后，在外周神經(jīng)系統(tǒng)和中樞神經(jīng)系統(tǒng)傳遞信- 1 的過(guò)程中產(chǎn)生的電位變化。例如讓受試者快速判斷屏幕上出現(xiàn)的圖案是否是事J， 先約定的目標(biāo)時(shí)，其大腦皮層的頂葉部分會(huì)在刺激出現(xiàn)后的冊(cè)M忠L 300 / 5

18、00ms內(nèi)產(chǎn)生事 P300龍位，所啟寸，P300;電位常被用來(lái)推斷人的決策意識(shí)。皮層腐電位的幅度一s內(nèi)產(chǎn)生 般小于 -10 - 309V，而腦干誘發(fā)電位比皮層：:EP還要小一個(gè)數(shù)量級(jí)。匕|尹有很強(qiáng)的 背景噪聲，如leg emg等，通常使用平均和濾波兩種方法從強(qiáng)背景噪聲中提|. .取 Ep3.11.。刺激不同的感受器官會(huì)產(chǎn)生不同的誘發(fā)電位，據(jù)此常將EP分為視覺(jué) 誘 音彊噪聲，如EEG EMG等.通裔備用平均和濾波兩種方法從強(qiáng)背景噪聲中提 發(fā)電位、聽(tīng)覺(jué)誘發(fā)電位和觸覺(jué)誘發(fā)電位三種，它們的時(shí)域波形如圖2 . 4。 N 舷4 電的波形匿h ttP : J . cnRqY4kcs) Fig . 2. 4

19、Waveform graph of EP 取刺激不同的感受器官會(huì)產(chǎn)生不同的誘發(fā)電位，據(jù)此常將EP分為視覺(jué) 誘發(fā)皚位、聽(tīng)覺(jué)誘發(fā)電位和觸覺(jué)誘發(fā)電位三種.它們的時(shí)域波形如團(tuán)2A. 圖2. 4誘發(fā)腦 r 當(dāng)前，常用于 BCI系統(tǒng)的腦電信號(hào)有同節(jié)律，恥beta 節(jié)律，SSVEP P30Q 慢皮質(zhì)電位(Slow Cortical Potential ，SCP|?【21-23，37 391。此處的 mil 節(jié)律是產(chǎn) 生 于感覺(jué)運(yùn)動(dòng)皮層的頻率范圍為8. l2Hz的腦電信號(hào)，與川alpha節(jié)律不同的是I它對(duì)動(dòng) 作、動(dòng)作準(zhǔn)備或運(yùn)動(dòng)想象較為敏感，且不受視覺(jué)的影響【401。beta節(jié)律中有| ； 一部分頻率 是爭(zhēng)u節(jié)

20、律的諧波，廖率為率范圈26 8 - nHz的z的be埠節(jié)彳曲I mu節(jié)律有十分 欖密的 聯(lián)系，因而也與運(yùn)動(dòng)或運(yùn)動(dòng)想象有關(guān)【.41。.所以|眄beta節(jié)律常被用作運(yùn)動(dòng)想象.訂 腦9機(jī)接口的控制信嗎律的諧波，頻率為186 H2的說(shuō)i節(jié)律與耐 節(jié)律有十分 緊密的聯(lián)系，因而也與運(yùn)動(dòng)或運(yùn)動(dòng)想象有關(guān)W叭所以mu/beta節(jié)律常被用作運(yùn)動(dòng) 想象腦機(jī)接口的控制信號(hào)。 2 - 23運(yùn)動(dòng)想象勺門(mén)ERb zER_S現(xiàn)象 EEG信號(hào)由散布，在大部分皮層區(qū)域的非局部頻率分量和只岀現(xiàn)在特定區(qū)域 EE(j措書(shū)由蔽布在趣為後層區(qū)域的址局部頻率分量費(fèi)二 局部頻率分量組成。表現(xiàn)在實(shí)際采集中就是非局部頻率分量可被大部分電極采 量是

21、天 .的 呂出現(xiàn)在特定區(qū)域 局部頻率 的局-E A甘 部頻率只會(huì)在特定的一個(gè)或幾個(gè)電極中岀現(xiàn)。顯然，只出現(xiàn)在某個(gè)皮層區(qū)域的局汕m ： 部頻率強(qiáng)度與該皮層對(duì)應(yīng)的功能狀態(tài)有緊密的聯(lián)系。例如，當(dāng)某個(gè)皮層區(qū)域被激:L：，： ； : , 活之后，某些頻.率的節(jié)律幅度減小甚至被阻斷，.這就是事件相關(guān)去同步化| 了 -衛(wèi) 沁 海齟莊elated些DesynchF伸輛現(xiàn)剩剩4244。與ERD相對(duì)應(yīng)的是事件相 關(guān)鈕步化(Event氐ReafednTSynQhrORiEO哋象,ERS現(xiàn)象F：某些活動(dòng)在一定時(shí)刻增大關(guān) 了特，定節(jié)律的幅度卻沒(méi)有激活皮層的對(duì)應(yīng)區(qū)域。在:沖冬、；EEG信號(hào)中可以觀測(cè)到運(yùn)動(dòng)想戸譜 象I引發(fā)

22、的ERAERS現(xiàn)象，尤其在Q 波和B波中相對(duì)較為明顯(5.】。圖2. . 5呼】反 映的是幾波中典型的ERp/ERS現(xiàn)象，圖中橫軸為時(shí)間，縱軸為：Q波能量。在圖- 2 . 5的(b)部分，受試者持續(xù)的運(yùn)動(dòng)想象使得EEG的d波被抑制，其能量大大減 弱，此為ErD現(xiàn)象;當(dāng)受試者從運(yùn)動(dòng)想象狀態(tài)轉(zhuǎn)為安靜的放松狀態(tài)時(shí)!： Q波能量急、 劇增強(qiáng)，即為-ERS現(xiàn)象fJ 此淘ERD現(xiàn)象；當(dāng)受試者從運(yùn)動(dòng)想象狀態(tài)轉(zhuǎn)為安靜的放松狀態(tài)時(shí)a波能雖急劇 増強(qiáng)*即為ERS現(xiàn)象. F(a)Relax Image 厶 ,i 1. 圖 : i 1 1 Ji- ;1 e 誓現(xiàn)象 /q band 2翟現(xiàn) 2. 5 Q波中的ERDE

23、Fig . 2. 5 ERD / ERS phenomenon , ERP與事件相關(guān)，ERD/ ERS與特定皮層區(qū)域的活躍程度. 二者是大腦思維狀態(tài)的兩種不同表現(xiàn)形式EJ一個(gè)同步事件既能產(chǎn)生nd 層區(qū)域的活躍程度和特定的頻率相關(guān), ERP也能 使得.EEG節(jié)律以i| ERDX ERS的形式發(fā)生改變。簡(jiǎn)單來(lái)說(shuō),；花:和ERPs是皮層神經(jīng)元， 對(duì)傳:：-:.丨：、 - I I- . NU 得EE 的信號(hào)幅度 這現(xiàn)象在想象右手運(yùn)動(dòng)時(shí)恰好相反。即，想象某一側(cè)肢體運(yùn)動(dòng)會(huì)使得同側(cè)（對(duì) 側(cè)）感覺(jué)運(yùn)動(dòng)皮層滬m薜b譽(yù)節(jié)律幅度卜升呷卜降）象在三類(lèi)運(yùn)動(dòng)想象中線想象左嚴(yán)虧 右手，腳的運(yùn)動(dòng)分別會(huì)在一-C4/C3, Cz

24、導(dǎo)聯(lián)產(chǎn)生.ERD現(xiàn)象。- 側(cè)）感覺(jué)運(yùn)動(dòng)皮層的mu/beta節(jié)律幅度上升（卜.降在三類(lèi)運(yùn)動(dòng)想軟山想象左手, 杵花 腳的運(yùn)動(dòng)分別會(huì)在響3, C導(dǎo)聯(lián)爵 ERD現(xiàn)象 qb 癬 15 萬(wàn)方數(shù)據(jù) MI. i手運(yùn)動(dòng)想象時(shí)的ERD現(xiàn)象(11ttp : /1 . 2 6 ERD phenomenonof lefl 引2. 6左彳 Fie cn / nah!lrand nioior ilna2e / R45efpN) 電疋游鴛輜城ERD現(xiàn)象（hnp:VLunZR4豎pN） 征提取萬(wàn)法、. 2在腦一機(jī)接口的概述粳們提到特征提取是BCI研究中的一個(gè)重要步驟，它 對(duì)于后續(xù)的模式分類(lèi)和數(shù)據(jù)量壓縮有卜分重要的意義。而腦電信

25、號(hào)是一種具有非 線性和強(qiáng)背景噪聲的非平穩(wěn)隨機(jī)信號(hào)，所以找到一種高效的特征提取方法很有必 要。好的特征提取算法不僅要從EEG本身和運(yùn)動(dòng)想象. EEG 的 ERD ERS現(xiàn)象中提 取出有利于模式分類(lèi)的特征向量，而且要在/ .fi.損失有效信息的前提下盡可能地夠. 雯。好的特征提取算、法不僅矍從EEG木身和運(yùn)動(dòng)想象EEG的ERD/ERS現(xiàn)象申 14 提取出右利十模式分類(lèi)的特征lJ量，而且要在金損先有效信息的前據(jù)下盡4能地壓縮數(shù)據(jù)，以減少分類(lèi)階段的計(jì)算量。目前,BCI研究中常用勺特征提取方法時(shí)域，頻域以及時(shí)頻域 分析、腦電信號(hào)的參數(shù)建模方法、空域?yàn)V波方法等J倉(cāng)數(shù)建謹(jǐn)分法.- 2- 3? 1時(shí)/頻域分析

26、龍L m - 二工時(shí)域特征和頻域特征是信號(hào)的兩個(gè)重要屬性。因?yàn)橹庇^，且有明確的物理意 義，時(shí)域分析被最早用于腦電的特征提取。隨著傅利葉變換的發(fā)展，研究者逐漸 開(kāi)始從頻域提取腦電特征，后來(lái)有人開(kāi)始嘗試時(shí)頻域結(jié)合的特征提取方法。時(shí)/- 頻域分析方法發(fā)展時(shí)間較長(zhǎng)，是一類(lèi)經(jīng)典的方法。用皿刊卄它歎代 皿 硏共矗丄騎 幵始時(shí)域分析能夠從波形圖直觀的觀測(cè)到信號(hào)的幾何特性，如幅值。時(shí)域分析主取方法。時(shí)/ 要是提取信號(hào)波形特征，如周期檢測(cè)、峰值檢測(cè)、均值、二階中心距、三階中心 距和四階累積量（峭度）等。丄也J也心水逼:WW SC. -；根據(jù)：】2/ 2 -節(jié)的介紹，我們知道，腦電信號(hào)有很突出的頻域特征，特別是對(duì)

27、節(jié) 律性很強(qiáng)的J ;EEG信號(hào)。.所以利用譜分析，相干函數(shù)等從頻域角度提取腦電信號(hào) 特征是可行的，常用的方法有我們焉電譜分析、相干分析等出的頻域特征.特別是對(duì)節(jié) 1作為一種非平穩(wěn)信號(hào).，腦電的瞬態(tài)變換蘊(yùn)含了很多重要信息。為了充分利用 腦電的非平穩(wěn)特性，時(shí)頻分析方法將時(shí)域信號(hào)映射到時(shí)間頻率平面，這樣能夠 特征是可廳的，常用的方法有PFT譜分析、相I分折等。 從時(shí)間和頻率的角度更好的對(duì)信號(hào)的特征進(jìn)行分析。此類(lèi)分析中常用的有小波變 換和短爾葉變換等。本文將在第三章給巒換魏含酣哇EG做時(shí)頻分析的實(shí)例。分利用 運(yùn)動(dòng)想象腦電的時(shí)域分析中常用的特征有：-mu節(jié)律能量一（二階矩能量）和四階 累積量【48】等。

28、其中提取二階矩能量的方式理論簡(jiǎn)單易于實(shí)現(xiàn)。更重宴的是它的也沂總運(yùn) 算量小；用于在線系統(tǒng)時(shí)有利于減少響應(yīng)時(shí)間，提高系統(tǒng)性能。下面本文對(duì)這心心爐M譏種 方法做深入介紹- :J對(duì)于信號(hào)x（n1，令其均值為i，長(zhǎng)度為W：，則可通過(guò)下式計(jì)算它的二階矩：??？是 廷算聲一小，用于在線系統(tǒng)時(shí)有利干減少響應(yīng)Nit間.提高系統(tǒng)性能*下面本文對(duì)這 種方法做深入介冬 掰：E阮”）】寺一以（21） 在實(shí)際處理中，為了充分利用上一步的計(jì)算結(jié)果，一般會(huì)基于樣本的更新使用在1 線 遞推算法來(lái)減小計(jì)算量。為了更加直觀的介紹此方法，本文對(duì)一段時(shí)長(zhǎng)為6秒 的左手運(yùn)動(dòng)想象數(shù)據(jù)提取二階矩能量進(jìn)行特征分析。鑒于選取的信號(hào)時(shí)長(zhǎng)較1 在實(shí)際

29、處理中.為了充分利用上一步的計(jì)算結(jié)果* 一般會(huì)基于樣本的更新使用在 線遞推算法來(lái)減小計(jì)算雖。為了更加頁(yè)觀的介紹此方法”本文對(duì)一段時(shí)長(zhǎng)為6 秒的左手運(yùn)動(dòng)想象數(shù)據(jù)提取二階矩能就進(jìn)行特征分折”鑒于選取的信號(hào)時(shí)長(zhǎng)較 安徽大學(xué)碩士學(xué)位論文.,，第二章運(yùn)動(dòng)想象腦電的特征提取與分一： 短，簡(jiǎn)單起見(jiàn)，這里采用基于當(dāng)前時(shí)刻全部樣本的在線更新策略。如果樣本數(shù)量1 較尢或者用于在線系統(tǒng)的實(shí)現(xiàn)時(shí)，使用基于滑動(dòng)窗的在線更新策略可以有效的減：小 后可 算法的計(jì)算量。由式（2丄1）n-門(mén).2知對(duì)信號(hào)提取二階能量前需要去除其均值，之 使用如下的遞推公式：.; 嘣川者!吲卅掣 為了去除信號(hào)中的直流分量以及其他噪聲干擾，此處對(duì)信

30、號(hào)進(jìn)行了兔3杯的帶 通濾波,C3,C.z,導(dǎo)聯(lián)濾波后的時(shí)域波形如下圖:，： Fig . 2. 7 T圖3蠹氐猱導(dǎo)聯(lián)帶通濾波后的時(shí)域波齡filtering Fig. 2.7 The time domain wavefcrm ofC3TCz,C4 after band-pass filtering 基于公式（2 . 2），可以繪制出信號(hào)的二階能量隨著想象時(shí)長(zhǎng)的變化情況，變化 曲線如圖2 . 8 想 實(shí)線T,明顯小于C3導(dǎo)聯(lián)（最上方的虛線）和cz導(dǎo)聯(lián)（中間的虛線）。這一現(xiàn)象 符 合運(yùn)動(dòng)想象的對(duì)側(cè)控制原理，這說(shuō)明通過(guò)比較信號(hào)的二階矩能量也即I ：| mu節(jié)律龐 一。從圖中可以較為明顯的看出三類(lèi)運(yùn)動(dòng)想象

31、時(shí) 手運(yùn)動(dòng)使得咕導(dǎo)聯(lián)的信號(hào)能量被抑制發(fā)生了一Er ERS/ ERD現(xiàn)象，即 ERsa-wiO- j 量【49： 50】可以建立一種簡(jiǎn)單易行的三分類(lèi)運(yùn)動(dòng)想象腦電分類(lèi)算法，本文將在第:；，汕四章！ 節(jié)介紹這種算法的分類(lèi)策略 凹章節(jié)介紹這種算法的分類(lèi)策略。 5 6 時(shí)間用 1510 摧刊衽，|I Fig. 2.8- Fig . 2. 8 The cha nges ofthe seco ndmome nt energy 加C4導(dǎo)聯(lián)的二階矩能量變化：. e second moment energj! m C35C and C4 11in C3， Cz and C4 2恕2參數(shù)建模 參數(shù)建模方法處理腦電的

32、基礎(chǔ)是假設(shè)腦電為準(zhǔn)平穩(wěn)信號(hào)15l】。我們知道腦電， 信號(hào)實(shí)際是非平穩(wěn)的，所以在這個(gè)假設(shè)的框架下可以認(rèn)為腦電是分段平穩(wěn)的。因r. I - 此 在使用這類(lèi)方法前需要根據(jù)平穩(wěn)性對(duì)腦電信號(hào)進(jìn)行分段;.且每次只能處理一個(gè)農(nóng)”詵處汴腦電 平穩(wěn)段，每處理一個(gè)平穩(wěn)段都需要重新建立一個(gè)參數(shù)模型【陽(yáng)。常用的參數(shù)H模型， 有自.回歸(Aut。巒ess.%,.宀AR)J模型和自回歸.滑動(dòng)平均(AutoregressiveMXL； integrated Moving Average . ARMA)模型等。下面對(duì)此類(lèi)方法中最為基礎(chǔ)的AR模 integrated Moving Avcraget ARMA)teS!等卞面對(duì)此

33、類(lèi)方法申礙為基礎(chǔ)的AR橈 型方法做簡(jiǎn)單的介紹。AR模型的參數(shù)是一種常用的腦電特征。這種方法首先構(gòu) 建需要構(gòu)建一個(gè)券 對(duì)零均 統(tǒng)階次 性系統(tǒng)，然后通過(guò) 的響應(yīng)與待處理的腦電信號(hào)一致。此時(shí)系統(tǒng)的參數(shù)便可以看作是腦電信號(hào)的一種心 特征，與其他兩種方法相比;參數(shù)建模方法提取的特征可能并沒(méi)有十分明顯的生1 J：- 理意義，嗣它屬于方種間接的腦電特征提取方法特即3構(gòu)建了信號(hào)殘例的一生 個(gè)AR-模- -I.: : CL.、；：- 型： P 工;療)=一占qx(刀一w玎(2.3)| I7 萬(wàn)方數(shù)據(jù) 安徽大學(xué)碩士學(xué)位論文.第二章運(yùn)動(dòng)想象腦電的特征提取與分 上式中，P是AR模型的階次，;.ai，是第:i .階的參

34、數(shù)，w例是系統(tǒng)的激勵(lì)白噪聲。文獻(xiàn)【311 統(tǒng)響應(yīng)與腦電信號(hào)一致程度的判 S. -=-!- J4 、模型系數(shù)集 程度的判據(jù)也會(huì)彫響最優(yōu)階次的選取.成功建立模型之 對(duì)單通道腦電處理時(shí)的學(xué)AR模型階次選取問(wèn)題進(jìn)行了研究，得出了如下結(jié)二“論：不同特征的腦電 活動(dòng)選取的階次不一樣：信號(hào)越長(zhǎng)需要的階次越高；衡量系 論：不貝特征的腦電活動(dòng)選取的酌次不一祥；信號(hào)鶴長(zhǎng)需賽的階次曙高辛御量皋 據(jù)也會(huì)影響最優(yōu)階次的選取。成功建立模型之后，可用的特征有：頻域特征、模型系數(shù) 合、極點(diǎn)集合、振蕩程度等： 后，可用的轉(zhuǎn)征有；頻域特征、模型系數(shù)集合、極點(diǎn)集合、振蕩程度等 2. 3. 3空域?yàn)V波 233空域?yàn)V波 上面介紹的時(shí)/

35、頻域分析和參數(shù)建模方法處理單通道腦電時(shí)有較高的運(yùn)算效 在對(duì)實(shí)時(shí)性要求比較高的在線-，Bcb.系統(tǒng)中被廣泛使用。但本文在前面已經(jīng).一 - 提到過(guò)，為了獲取豐富的信息通常要采集多通道腦電信號(hào)，此時(shí)這兩種方法的效./ ui.i-n. 果并不是很理想，因?yàn)樗鼈儾荒軓亩嗤ǖ滥X電中提取出足夠多的特征信息。作為 一種新型的多通道信號(hào)處理方法,，空域?yàn)V波方法可以充分利用腦電信號(hào)中的高階 統(tǒng)計(jì)信息。 種新型的多通道信號(hào)處理方法，空域?yàn)V液方法可以充分利用腦電信號(hào)中的高階 從2. 2節(jié)的描述我們知道不同的思維狀態(tài)會(huì)在大腦皮層表現(xiàn)出不同的空間特 統(tǒng)計(jì)彳言民 征分布，從2 . 2. 3小節(jié)的左右手運(yùn)動(dòng)想象的空間腦地形圖

36、（圖2 . 6）可以看出，運(yùn)動(dòng) 想象的era Ers現(xiàn)象具有十分明顯的空間特性。而空域?yàn)V波方法可以很好的對(duì)! 頭皮電極的空間分布狀態(tài)和各通道腦電之間的互信息加以綜合利用，能夠充分挖1 掘 運(yùn)動(dòng)想象腦電的空間特性以提取出更多的特征。另外，從原理上看使用空域?yàn)V弦“ /波方 法提取的腦電特征似乎比上述兩類(lèi)方法具有更多的生理意義。因其在腦電信需撫筆號(hào)處理 中瘍大潛力，這一類(lèi)方法正受到越來(lái)越多的關(guān)注，常業(yè)腦電信號(hào)的鵬 理上看使用處理。濾 近年來(lái)以獨(dú)立分量分析和共同空間模式述兩挺Commow%觥地意CSp等雜域?yàn)V波 方法誡來(lái)越多地應(yīng)用到，這曝系統(tǒng)的研究中。來(lái)越多的關(guān)汛常用于腦電信號(hào)的預(yù) CSP基于協(xié)方差矩

37、陣的聯(lián)合對(duì)角化，利用信號(hào)的時(shí)空特性尋找最優(yōu)化的空間 要利用數(shù)據(jù)類(lèi)型標(biāo)簽）, 了提高雖然而言CSp濾波設(shè)計(jì)以“最大可區(qū)分性”為準(zhǔn)則，分性標(biāo)窮屬于依 賴數(shù)據(jù)標(biāo)簽的有監(jiān)督設(shè)計(jì)，這對(duì)訓(xùn)練數(shù)據(jù)的采集提岀了很高的要求。例女口，在采集 訓(xùn)練數(shù)據(jù)時(shí)賴受憋須集中精黔嚴(yán)格地按照提示標(biāo)簽進(jìn)行運(yùn)動(dòng)想提出了很象。嚟潛受例 試者自身的疲勞程度，運(yùn)動(dòng)想象經(jīng)驗(yàn)和方式以及外界干擾等均會(huì)對(duì) - 數(shù)據(jù)采集實(shí)驗(yàn)的效果產(chǎn)生無(wú)法預(yù)知的影響，因此真實(shí)思維活動(dòng)與標(biāo)簽提示言息不一 致現(xiàn)象時(shí)有發(fā)生。這些錯(cuò)誤標(biāo)注的訓(xùn)練數(shù)據(jù)很難通過(guò)人工檢查的方式進(jìn)行剔 除，由. 此會(huì)造成-CSP濾波器性能的明顯下降。.不過(guò)ICA也有其固有的“先天性”二不足，如：

38、獨(dú)立分量（Independent .Components ,ICs）幅度和排序的不確定性。這：.：. 一問(wèn)題的存在一定程度是制約了在綸切I CrJCA.BC1,系統(tǒng)的建立，且到目前為止，也*這 未見(jiàn)特別有效的解決方法。:常.見(jiàn)的思路是用不同特征的融合進(jìn)行運(yùn)動(dòng)相關(guān)獨(dú)立分冷丄忖八.量 （MRICs）的識(shí)別，但現(xiàn)有方法的通用性并不理想m- 1定性和定性都有待實(shí) 而 蟲(chóng)燼之其他兩類(lèi)方法感域?yàn)V波方法費(fèi)量比較大，實(shí)時(shí)性和穩(wěn)定性都有待提 高。所以如果在充分發(fā)揮優(yōu)勢(shì)的同時(shí),能夠找到一種減小計(jì)算量.，提 時(shí)性的實(shí)現(xiàn)方式，將會(huì)給這類(lèi)“年輕”的信號(hào)處理方法注入更為旺盛的生命力， 這也是本文的研究重點(diǎn)。本文會(huì)在第四章

39、詳細(xì)介紹獨(dú)立分量分析方法，此處不 v 再贅 述。時(shí)性的實(shí)現(xiàn)方式，將會(huì)給這類(lèi)“年輕”的信號(hào)處理方法注入更為旺盛的生命力* 血這也是本文的研究重點(diǎn)。本文會(huì)在第四章詳細(xì)介紹獨(dú)立分量分析方法，此處不 再贅述M. EEG的模式分類(lèi)方法 2J提取到信號(hào)的有效特征后，要將特征分量輸入分類(lèi)器進(jìn)行模式分類(lèi)。BCI系 統(tǒng)模式分類(lèi)的目的是將數(shù)字形式的腦電特征向量轉(zhuǎn)化為驅(qū)動(dòng)外部設(shè)備的邏輯控 制命令。具體到運(yùn)動(dòng)想象腦電信號(hào)的處理中，由于不同的想象模式會(huì)產(chǎn)生不同娶.的腦 電特征，所以本質(zhì)上講礴動(dòng)想象腦電融式分類(lèi)就是從獲取腦電的特征“反外部設(shè)備的護(hù)” 岀想象類(lèi)型，然后根 BCI系統(tǒng)的控制準(zhǔn)確性，影響分類(lèi)性能的因素主要有兩個(gè)

40、，其一是分類(lèi) 的控制命令時(shí) I勺準(zhǔn)確性直接中：二 的腦吐特征，所以本質(zhì)上講，運(yùn)動(dòng)想象腦電的模式分類(lèi)就毘從獲取腦電的持征龍反 推出想象類(lèi)型.燃后根據(jù)推斷的結(jié)果生成對(duì)應(yīng)的控制命令。分類(lèi)的準(zhǔn)確性直接 決定了 BCI系統(tǒng)的控制準(zhǔn)確性，影哦分類(lèi)性能的因索主要有兩個(gè)，其一星分類(lèi) t9 萬(wàn)方數(shù)據(jù) 基于獨(dú)立分量分析的在線腦.機(jī)接口系統(tǒng)研究與實(shí). 器的輸入也即特征分量是否能夠準(zhǔn)確的描述腦電信號(hào)的真實(shí)特征且易于被分類(lèi)I; 器區(qū)分開(kāi)來(lái)，另一個(gè)是分類(lèi)算法本身性能的優(yōu)劣。目前，.BcI使用的分類(lèi)器可大 致分為線性分類(lèi)器和非線性分類(lèi)器兩大類(lèi)，非線性分類(lèi)器中常見(jiàn)的有神經(jīng)網(wǎng)絡(luò)、匚非 線性貝葉斯分類(lèi)器最鄰近分類(lèi)器四種，另外還有

41、將多種分類(lèi)器組合在一起的器組合在-所謂 組合分類(lèi)器阮，一531。 2出1線性分類(lèi)器 線性分類(lèi)器是在在HCI研究中應(yīng)用最為廣泛的一類(lèi)分類(lèi)器，它們采用線性函用線性函 數(shù)作為類(lèi)別判斷的依據(jù)。在眾多的分類(lèi)器中線性分類(lèi)器的速度最快，而且原理簡(jiǎn)單 Machine； sVMHJ。1門(mén)！人 :： :1 Ai：i 泊門(mén)Lda首先會(huì)基于一個(gè)標(biāo)準(zhǔn)的概率密度函數(shù)為每個(gè)類(lèi)別建立一個(gè)概率密度模 型，并且保證標(biāo)注模型和所有類(lèi)別的概率密度函數(shù)具都有相同的協(xié)方差。輸入特1;-征 向量后，劇用這些類(lèi)別的概率密度函數(shù)計(jì)算對(duì)應(yīng)的概率，讒終這個(gè)特征向量會(huì)協(xié)方差。輸被劃 歸到概率最大的一個(gè)類(lèi)別中。目前，支持向量機(jī)在腦電信號(hào)的模式分類(lèi)中已

42、經(jīng)取得 了很好的效果，它在解決丨Bq.研究中的小訓(xùn)練集等問(wèn)題上面有獨(dú)特的優(yōu)勢(shì)。：SVM 基于核函數(shù)在高維空間對(duì)特征向量進(jìn)行分類(lèi)，在線性可分問(wèn)題上，它.,;希望找到 一個(gè)線性的超平面對(duì)兩類(lèi)樣本進(jìn)行分割，判定分類(lèi)面最優(yōu)的依據(jù)是支持向量到分 SVM 于核函數(shù)在高維空間對(duì)特征向量進(jìn)行分類(lèi)，往線性可分問(wèn)題上，它 類(lèi)面的距離最大。 希望找到一個(gè)線性的超乎面對(duì)兩類(lèi)樣本進(jìn)軒分割，判定分類(lèi)面最優(yōu)的依據(jù)是支持 2 - 4 2非線性分類(lèi)器 :. r 4非線性分類(lèi)在大型的復(fù)雜的數(shù)據(jù)分類(lèi)上表現(xiàn)出了很大的優(yōu)勢(shì)，主要有神經(jīng)網(wǎng)絡(luò) (Neural Networks， NN),非線性貝葉斯分類(lèi)器(Nonlinear Bayesi

43、an classifiers)，最鄰 近分類(lèi)器we篥乘ighbor的afs徴躊。類(lèi)上表現(xiàn)出了很大的優(yōu)勢(shì)，主要有神經(jīng)網(wǎng) 八下面對(duì)這幾種分類(lèi)器做簡(jiǎn)單的介紹 W 352】：題同線性分類(lèi)器一樣，神經(jīng)網(wǎng)絡(luò)也是BCI中應(yīng)用得較多 焙J的一類(lèi)分類(lèi)器，且叩:I /I、:I： U I ： 具有很好的通用性：只要神經(jīng)元的數(shù)量和層級(jí)足夠多，NN可以逼近任何連續(xù)函 數(shù)，這使得它可以靈活的處理各種模式分類(lèi)問(wèn)題。常用神經(jīng)網(wǎng)絡(luò)分類(lèi)器有多層感 具有很好的通用性；只要神經(jīng)元的數(shù)量和層級(jí)足夠多，NN可以遛近任何連續(xù)函 數(shù).這使得它可以靈活的處理各種模式分類(lèi)問(wèn)題常用神經(jīng)網(wǎng)絡(luò)分類(lèi)器有多層感 # 萬(wàn)方數(shù)據(jù) 安徽大學(xué)碩士學(xué)位論文.第二章

44、運(yùn)動(dòng)想象腦電的特征提取與分類(lèi), 知器(酗冊(cè)臥詁昭錮眼口； 1ML曲學(xué)習(xí)向量量化-加ning隧 鍛辟創(chuàng)腳魁嘰， LVQ網(wǎng)絡(luò)，動(dòng)態(tài)神經(jīng)觀轆貓iN震筠雜乩，DNN以及貝葉斯邏輯輯回I輯回神 經(jīng)網(wǎng)絡(luò)(Bayesian Logistic Regression Neural Network , BLRNN)等。其中使用最 為 神經(jīng)網(wǎng)絡(luò)但叭tsian Logistic Rcgfession Neural Network, BLRNN)其中使用懾 廣泛的是 MLR每一個(gè)多層感知器由幾個(gè)神經(jīng)元層級(jí)構(gòu)成，他們包括一個(gè)輸 入層， 一個(gè)或幾個(gè)隱含層以及一個(gè)輸岀層。一乜每個(gè)神經(jīng)元的輸入都是前一層神經(jīng)的r 輸岀，輸 出層

45、神經(jīng)元的輸出結(jié)果取決于輸入，MLP的特征向量士守專(zhuān)讀哥為神濃詢 嘯顯非線性貝葉斯分類(lèi)器能夠生成非線性決策邊界，并且它們能夠很好的抑制非確 定性樣本對(duì)分類(lèi)結(jié)果帶來(lái)的不媲響。.成耳(隱馬殊可夫模型-(Hidden # MarkOVMdes抑HMM) 和貝葉斯二次判別分莓結(jié)果 糊蹄麗良Qadratc馬；DisCT 型dAnOJM抑BQDAlodek, 等都屬于非線性貝十斯分類(lèi)器。W.最近鄰分類(lèi)器是一種根據(jù)特征向量的最近鄰對(duì)其進(jìn)行分類(lèi)的非線 英心 性分類(lèi)J廠.心 英瓠 器，不同的算法選取的最近鄰會(huì)有所不同。.例如慝迂邸.一近鄰(kNearestNeighborsj,KNN)分類(lèi)法選取訓(xùn)練 集中的特征向

46、量作為最近鄰；馬氏距覽(Maha|anobis分、類(lèi)模型也是一種常見(jiàn)的最近鄰分類(lèi) 分類(lèi)法選取訓(xùn)練集中的特征向量作為最近鄰；馬氏距離(Mahalanobis distance)分 相比于僅使用單個(gè)分類(lèi)器，將多種相似的分類(lèi)器組合到一起可以減少分類(lèi)的 錯(cuò)誤,，提高分類(lèi)穩(wěn)定性”55】。常用的分類(lèi)器聚合策略有：投票(Votin91 ，疊加 (Stack% 助推(Boosting/等宀一； ，具體到運(yùn)動(dòng)想象腦電的分類(lèi)器選擇,應(yīng)本著“就簡(jiǎn)”的原則。因?yàn)楹?jiǎn)單的分- 1：- 類(lèi)策略往往有更強(qiáng)的抗干擾能力抑分類(lèi)效果也更加穩(wěn)定，而且簡(jiǎn)單的分類(lèi)方法有 利于在線腦一機(jī)接口系統(tǒng)的實(shí)現(xiàn)。.正因?yàn)槿绱艘志€性分類(lèi)器才能在rm

47、回“:bci研究中倍 受青睞。第五章會(huì)提到抑本文的在線系統(tǒng)選取的是基于. . mu節(jié)律能量的分類(lèi)方法抑 該方法可以有效的對(duì)三類(lèi)運(yùn)動(dòng)想象模式進(jìn)行區(qū)分抑可以滿足在線系統(tǒng)對(duì)分類(lèi)算法川；.：. 實(shí)時(shí)性的要求。章會(huì)提到，本文的在線系統(tǒng)選取的是基于mu節(jié)律能最的分類(lèi)方袪. 2 5：本章小結(jié)* :癸応兮祺點(diǎn)空匸它汁(匕唬m貧奈込討賈真比 實(shí)時(shí)性的要求：口 本章主要介紹了運(yùn)動(dòng)想象腦電的特征提取和模式分類(lèi)方法。首先介紹了人體 生物醫(yī)學(xué)信號(hào)的產(chǎn)生和分類(lèi)，并介紹了幾種常見(jiàn)的人體生物醫(yī)學(xué)信號(hào)的參數(shù)。 2 . 2節(jié)交代了基于運(yùn)動(dòng)想象腦電的腦機(jī)接口系統(tǒng)的神經(jīng)生理學(xué)基礎(chǔ)。介紹了 腦電信號(hào)的產(chǎn)生機(jī)理抑簡(jiǎn)單說(shuō)明了腦電采集的電極

48、安放標(biāo)準(zhǔn)。分別對(duì);自發(fā)腦電的：- 主物醫(yī)學(xué)信號(hào)的產(chǎn)生和分類(lèi)，并介紹幾種常見(jiàn)的人體生物更學(xué)信號(hào)的參數(shù)。 節(jié)交代了基于運(yùn)動(dòng)想象腦堪的胸機(jī)接口系統(tǒng)的沖經(jīng)生理學(xué)基礎(chǔ)介紹了 晡電信號(hào)的產(chǎn)生機(jī)理，簡(jiǎn)單說(shuō)明了腦電采集的電極安放標(biāo)準(zhǔn).分別對(duì)自發(fā)惱電的 萬(wàn)方數(shù)據(jù) 節(jié)律分類(lèi)和誘發(fā)腦電進(jìn)行了闡述，并們/beta節(jié)律引出了這一小節(jié)的重點(diǎn)內(nèi)容： 鸛劇黨現(xiàn)象。的ERD/ERS現(xiàn)象” 想象腦電處理中的特征提取和模式分類(lèi)方法進(jìn)行了介紹 運(yùn)動(dòng)想象腦電的 接著對(duì)運(yùn)動(dòng)想象腦電處理中的特征提取征 取方法主要分為時(shí)/頻域分析、參數(shù)建模、空域?yàn)V波三類(lèi)，分別對(duì)前兩類(lèi)方法中 模式綁法主要分類(lèi)方法中 介紹“特征提 具有代表勺 為線性和非線性兩

49、種，非線性分類(lèi)器中又包括神經(jīng)網(wǎng)絡(luò)、非線性貝葉斯分類(lèi)器、 最近鄰分類(lèi)器等。本章的最后簡(jiǎn)單介紹了運(yùn)動(dòng)想象腦電分類(lèi)器的選取原則。 最近鄰分類(lèi)器等。本章的最后簡(jiǎn)單介紹了運(yùn)動(dòng)想象腦電分類(lèi)器的選取原則 AR模型方法進(jìn)行了簡(jiǎn)單說(shuō) # 萬(wàn)方數(shù)據(jù) 安徽大學(xué)碩士學(xué)位論文.第三章運(yùn)動(dòng)想象腦機(jī)接口系統(tǒng). 萬(wàn)方數(shù)據(jù) 弾信號(hào)作為控制信號(hào)的腦機(jī)接口系統(tǒng)稱為運(yùn)動(dòng)想象腦機(jī).接 MIBCI及其實(shí)現(xiàn)方式有具體而完整的認(rèn)識(shí)，本章將基于第一章 詳細(xì)描述-MIBCI 右利手的受試者，其左纓狀況、獄型手的對(duì)側(cè)J早的 1【爵】。由于受試者選擇上的限制，所以要的對(duì)贏 剌激來(lái)引導(dǎo)受試者定成垣動(dòng)患象侄業(yè)* C *il一 L 佩畫(huà)臨按財(cái)?shù)穆囸?器

50、 運(yùn)動(dòng)想 I 3 1 Motor imagery - E ?文鼉凌蠢 j-_L! 采集較件 采集較件 口系統(tǒng)。為了對(duì) 對(duì)BCI的介紹和第二章對(duì)MI . EEG的介紹，結(jié)合 的實(shí)現(xiàn)過(guò)程。要提出的是，因?yàn)楸菊裸璧脑谟诮榻BMIBCI，的實(shí)現(xiàn)過(guò)程,-所以， 每一步都盡可能的使用簡(jiǎn)便易行的實(shí)現(xiàn)方法。壯血二沉上凸怕 曲於二?遷； 所以每一歩都盡可能的使用簡(jiǎn)便易行的實(shí)現(xiàn)方法。 3. 1運(yùn)動(dòng)想象腦電采集 3J運(yùn)動(dòng)想象腦電采集 MIBCI系統(tǒng)對(duì)想象類(lèi) 在采集實(shí)驗(yàn)開(kāi)始前要選擇合適的受試者。如前所述， 型的判別依據(jù)是運(yùn)動(dòng)想象腦電的. ERD ERS現(xiàn)象，不同受試者1ERDT ERS現(xiàn)象的強(qiáng): 度有很大差別，.甚至有

51、的受試者在進(jìn)行運(yùn)動(dòng)想象時(shí)不會(huì)出現(xiàn)能被有效區(qū)分的，.，.,：.WERD / ERS現(xiàn)剽26j。此外，受試者的年齡、性別、健康狀況.、疲勞程度、利手情池： 況等都會(huì)對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生影響。例如對(duì)于右 ERD現(xiàn)象要強(qiáng)于右側(cè)（非利手的對(duì)側(cè)） 擇到大量符合要求的受試者的可能性較小。 的ERD現(xiàn)象要強(qiáng)于右側(cè)非利手的對(duì)側(cè)）皿】。由于受試者選擇上的限制*所以要 如下圖所示，非植入式的MIBCI系統(tǒng)使用電極帽記錄運(yùn)動(dòng)想象腦電，經(jīng)過(guò) 專(zhuān)用的腦電放大器輸送到計(jì)算機(jī)采集軟件顯示、保存、處理。通常需要提供視覺(jué)刺 激來(lái)引導(dǎo)受試者完成運(yùn)動(dòng)想象作業(yè)?？趇mK便F電站附遷：汽加藝皆加上.甘 專(zhuān)用的腦電放大器輸送到計(jì)算機(jī)采集軟件顯示

52、、保存、處理通常需要提供視覺(jué) 圖Ml運(yùn)動(dòng)想象腦電采集 Fig. Tl Motor imagery EEG acquisiLion 安徽大學(xué)碩士學(xué)位論文：基于獨(dú)立分量分析的在線腦.機(jī)接口系統(tǒng)研究與實(shí)現(xiàn).一 萬(wàn)方數(shù)據(jù) 下圖顯示的是八導(dǎo)聯(lián)原始*. EEG信號(hào)中某個(gè)單次運(yùn)動(dòng)想象的時(shí)域波形。運(yùn)動(dòng) 想象開(kāi)始的位置記為時(shí)間零點(diǎn)，數(shù)據(jù)時(shí)長(zhǎng)為： 可以看出Fpl，F(xiàn)p導(dǎo)聯(lián)的原始信號(hào)中含 時(shí)怏為1時(shí)，其中中-6是 曰的口工口日/士旦 庭眼信號(hào)。 很耳 -:宜 m 卿 1009 1 迦 )00 2顆 300040005l50Q 6000 fiSOQ 7000 T50Q BO00 CO 9300 Bf fffll/mi

53、 段 圖3 . 2原始EEG信號(hào) Fig, 3 3 ?ornap ee 偽nai Fi些 J.2 Original EEG signal 33 2信沁 輸入信號(hào)的預(yù)處理是BCI系統(tǒng)實(shí)現(xiàn)過(guò)程中的一個(gè)重要步驟，是提取岀具備 良好可識(shí)別性特征分量的保證。運(yùn)動(dòng)想象腦電信號(hào)的預(yù)處理操作主要有：帶通濾-=乙 波、去工頻干擾、消除基線漂移、空域?yàn)V波等。本文所使用的采集放太器中內(nèi)置It鼻 產(chǎn)遵了 03 5去00頻q帶通濾波和去除工頻干擾的域?yàn)V攙等z陷波等預(yù)處理操作。還需對(duì)信號(hào)內(nèi)資 進(jìn)行進(jìn)一步的帶通濾波。.3花紀(jì)密K花工浣莪漲繆蛙逬-莊遠(yuǎn)K 帝.：.從頻域來(lái)看,，與運(yùn)動(dòng)想象相關(guān)的腦電信號(hào)集中在一定的頻段之內(nèi)，所

54、以通常 。常用的數(shù)字濾波器分為無(wú)限長(zhǎng)沖激響應(yīng)數(shù)字濾波器 也有一定的要 使用帶通濾波去除非目標(biāo)干擾以提高信號(hào)信噪比。濾波頻帶.的選擇也有一定的要. .j v討 求，.頻帶過(guò)寬可能會(huì)引入一些噪聲干擾. 失，即所謂的“過(guò)濾波”。常用的數(shù)字濾波器分為無(wú)限長(zhǎng)沖激響應(yīng)數(shù)字濾波器(IIR) 求，頻帶過(guò)寬可能會(huì)引入一些噪蘆干擾.頻帶過(guò)窄則可能導(dǎo)致部分有用信息的丟 失，即所謂的“過(guò)濾波S常用的數(shù)字濾波器分為無(wú)限長(zhǎng)沖激響應(yīng)數(shù)字濾波器町 和有限沖激響應(yīng)數(shù)字濾波器(FIR)兩種，它們的系統(tǒng)響應(yīng)函數(shù)如下式： 和有限沖激響應(yīng)數(shù)字濾波器(FI鳥(niǎo):我:$ 酢=篙簧 25 萬(wàn)方數(shù)據(jù) 腦電信 MagnitudeResponse(

55、dB) Magnitude 總旺閉環(huán)乂 fdBii 對(duì)比上圖中濾波前后的頻域波形可以看出，ofband-8.s30i-121系統(tǒng)研究與實(shí)現(xiàn). 中的EOG信號(hào)。 Fp1 C3 咖啊忡幽加 I 啊怦痢陽(yáng)啊怦艸融伽 亦岬v Oz O2 W*1 Sea Re 30 L.174 30.74 r # - 萬(wàn)方數(shù)據(jù) MM 10L 3L8 Activity 圖3.8 C4導(dǎo)聯(lián)的功率譜 pig, 3.8 Activity powir spectrum of C1! 安徽大學(xué)碩j學(xué)位論文第三章運(yùn)動(dòng)想象腦一機(jī)接迪遜.U系統(tǒng) 3小3特征提取 mibc |系統(tǒng)特征提取的主要目標(biāo)是提取出運(yùn)動(dòng)想象時(shí)間段的刖宙；庇習(xí) ERS

56、特征 參數(shù)。理論上預(yù)處理階段得到的獨(dú)立分量越接近運(yùn)動(dòng)想象獨(dú)立源，特征提取階段 參數(shù)口理論上預(yù)處理階段得酗龜工分縊越接近運(yùn)動(dòng)想彖碰=源，特征提取階段 提取到運(yùn)動(dòng)想象數(shù)據(jù)段的 ERQ/ ERS現(xiàn)象越明顯。對(duì)于不同的受試者，其ERQZERS 的現(xiàn)象出現(xiàn)的頻段可能會(huì)有所不同。 的現(xiàn)象出現(xiàn)的頻段可能會(huì)有所不同a 提取到運(yùn)動(dòng)想裊數(shù)搖凰的JBD/ERS現(xiàn)象越明欺對(duì)于不同的受試者，其ERD/ERS Fig . 3. 9 Independent components maps 團(tuán)3.9獨(dú)立井量的頭皮位置分布圖 Fig. 3.9 Independent components cnap$ 由于ICA的排序不確定性，

57、在對(duì) Ml . EEG進(jìn)行特征提取前需要先確定M /. %G在輸出信號(hào)中的位置?？梢酝ㄟ^(guò)獨(dú)立分量在頭皮位置的鑰征提取（掃諭虧進(jìn)行 簡(jiǎn)單判斷，通過(guò)獨(dú)立分量的空間腦地形圖，可以確定在 , C3，.C4電極處分丿 有最大強(qiáng)度的 IC2，IC5，IC6為MRICs。它們與運(yùn)動(dòng)想象類(lèi)型的對(duì)應(yīng)關(guān)系為 I費(fèi)腳判題右手，鶴怦分別畔iC甩iC咚iC毎。如圖3.是對(duì)同一 受試者某次實(shí)驗(yàn)中三種想象類(lèi)型MRICs的時(shí)頻分析。對(duì)比-C3； Cz，C4三個(gè)電極 的時(shí)頻分析圖，想象左手運(yùn)動(dòng)時(shí)，手。分別注極1P即de.-L）約在06 S時(shí)間段內(nèi)發(fā)愎對(duì)了 ERD現(xiàn)象：想象右手運(yùn)動(dòng)時(shí)種想象類(lèi)電如即QC的時(shí)約在0. 5對(duì)時(shí)間段內(nèi)出

58、現(xiàn)了4 土Rd 輸斶象腳部運(yùn)動(dòng)時(shí)，想繳即IIC的創(chuàng)約在的4理時(shí)間段內(nèi)發(fā)生了較為嘶鍍生 竽鍥象。三個(gè)想ERD現(xiàn)象發(fā)生的頻段都在橄砒0 .14姍左右種這便是該受試者本次ERD 實(shí)驗(yàn)的特征提取頻段。此處要說(shuō)明一點(diǎn)種在線系統(tǒng)構(gòu)建過(guò)程中的一個(gè)難點(diǎn)是實(shí)現(xiàn)；, ERD現(xiàn)象.三個(gè)ERD現(xiàn)象發(fā)生的頻段都在10J4HW左右*這便是該受試者本次 實(shí)驗(yàn)的特征提取頻段此處要說(shuō)明-點(diǎn)，在線系統(tǒng)構(gòu)建過(guò)程中的一牛難點(diǎn)是實(shí)現(xiàn) 運(yùn)動(dòng)梢父獨(dú)涉分量的自動(dòng)選取，j本文僅利用進(jìn)域信息實(shí)甌佶總寶攬7種種MRiCt自動(dòng)選j淨(jìng)算法，將在第 “章詳細(xì)說(shuō)明。：，. 增噼甜葉日銜 10運(yùn)動(dòng)相關(guān)獨(dú)立分量的時(shí)頻分析 爐:n -c 萬(wàn)方數(shù)據(jù) Fig .

59、3. 10 Time-frequency - anal)7sis I。MRQs Fig. Tnne-ficquency anahsis lo MRJCs 確定ER ERS的發(fā)生頻帶后，可以使用帶通濾波器濾除MRICs中除該頻帶以外的其他頻率分 量，以提取出易于分類(lèi)識(shí)別的運(yùn)動(dòng)想象特征向量。XllF) 三個(gè)能量的最小值。例如，對(duì)IC . L, IC . R, IC . F進(jìn)行特征增強(qiáng)后，分別計(jì)算它 們?cè)谙胂髸r(shí)段的信號(hào)能量，得到直方圖如圖八 3. 11/從圖中可以直觀的看出能量 最小的獨(dú)立分量是，IC .F,此次試驗(yàn)的想象類(lèi)型為腳。；二富Y 5汨腎沁 最小的獨(dú)立分雖是IC-F,此次試驗(yàn)的想象.類(lèi)型為

60、腳“ 0-0.40 序 07 圖3. 11三分類(lèi)運(yùn)動(dòng)想象分類(lèi)結(jié)果 Fig . 3 .Sass | motor, imageries“譽(yù)帀廚幀 r results Fig. All 3-class motor imageries classificatian 占 3點(diǎn)5 一控制與反饋 經(jīng)過(guò)模式分類(lèi)得到控制命令后，可以根據(jù)應(yīng)用場(chǎng)景使用肚疔諄.i護(hù)”對(duì)外部對(duì)象 進(jìn)行控制，如輪椅、機(jī)械外骨骼、游戲設(shè)備，計(jì)算機(jī)軟件等等。通過(guò)更換控制模塊 進(jìn)行控制，如輪椅、機(jī)械外骨騎、游戲設(shè)備，計(jì)算機(jī)軟件等等m通過(guò)更換控制模 可以使 MIBCI應(yīng)用于不同的場(chǎng)景。另外在控制的過(guò)程中用戶可以通過(guò)控制結(jié)果 的