腦機(jī)接口開題報(bào)告

燕山大學(xué)碩士學(xué)位論文開題匯報(bào)課題名稱：基于腦磁圖的腦機(jī)接口措施研究碩士姓名：周麗娜導(dǎo)師姓名：王金甲所在院、系：信息科學(xué)與工程學(xué)院學(xué)科、專業(yè)：電路與系統(tǒng)燕山大學(xué)碩士部12月說明一、碩士開題匯報(bào)各項(xiàng)內(nèi)容，要實(shí)事求是，逐條認(rèn)真填寫。體現(xiàn)要明確、嚴(yán)謹(jǐn)，字跡要清晰易辨，外來語要同步用原文和中文體現(xiàn)。第一次出現(xiàn)縮寫詞，須注出全稱。二、參與開題匯報(bào)評(píng)議組組員，應(yīng)具有副高職以上職稱。碩士學(xué)位碩士開題匯報(bào)，評(píng)議組組員不得少于三人；博士學(xué)位碩士開題匯報(bào)，評(píng)議組組員不得少于五人。每個(gè)評(píng)議組組員應(yīng)有一位組長，其中博士學(xué)位碩士開題匯報(bào)評(píng)議組組長應(yīng)具有專家職稱。每個(gè)評(píng)議組可另有一位記錄員，記錄員應(yīng)具有講師以上（含講師）職稱，并應(yīng)熟悉對(duì)應(yīng)專業(yè)。三、開題匯報(bào)應(yīng)對(duì)評(píng)議組組員所提出的問題及碩士的回答給出詳細(xì)、精確的記錄。開題匯報(bào)結(jié)束后，由評(píng)議組組員綜合評(píng)議組組員的意見，寫出詳細(xì)評(píng)議結(jié)論。并由專業(yè)負(fù)責(zé)人審核簽字后，報(bào)碩士部立案。四、本匯報(bào)中，由碩士本人撰寫的對(duì)課題和研究工作的分析及描述、對(duì)碩士學(xué)位論文碩士應(yīng)不少于3000字，對(duì)博士學(xué)位論文碩士應(yīng)不少于5000字。第二頁后來各欄空格不夠時(shí)，可另行加頁。五、根據(jù)論文工作的最終研究成果，所提交學(xué)位論文的題目可以在本開題匯報(bào)的基礎(chǔ)上有合適改動(dòng)。六、本開題匯報(bào)一式三份，學(xué)生個(gè)人和導(dǎo)師留一份，學(xué)科留一份，交碩士部培養(yǎng)辦一份立案（除簽字以外必須打印），碩士部不負(fù)責(zé)查詢。姓名性別年齡入課時(shí)間開題時(shí)間周麗娜女279月-12-20課題來源河北自然科學(xué)基金匯報(bào)時(shí)間12月20日開題匯報(bào)評(píng)議組組員姓名職稱姓名職稱邢光龍專家劉洺辛副專家王玉寶副專家評(píng)議組對(duì)課題及匯報(bào)的評(píng)議：評(píng)議組組長：專業(yè)負(fù)責(zé)人意見：專業(yè)負(fù)責(zé)人：年月日一、立論根據(jù)（所選課題的科學(xué)意義和應(yīng)用前景，國內(nèi)外研究現(xiàn)實(shí)狀況分析，重要參照文獻(xiàn)目錄）：1.本課題研究的科學(xué)意義和應(yīng)用前景一般，大腦要依賴人體的外周神經(jīng)系統(tǒng)及肌肉組織實(shí)現(xiàn)通訊與設(shè)備的控制，例如通過手拿取杯子，打開電視機(jī)等活動(dòng)。不過，當(dāng)病人患有神經(jīng)系統(tǒng)疾病或神經(jīng)退行性疾病，例如肌肉萎縮性脊髓側(cè)索硬化癥（或稱為魯葛瑞格式癥）、脊髓受損、中風(fēng)等，這些疾病阻斷了從大腦到脊髓再到目的地即肌肉的正常的信息流動(dòng)，狀況嚴(yán)重的患者也許將會(huì)失去控制肌肉的所有能力，徹底不能與外界溝通。在沒有徹底變化疾病影響的狀況下，腦機(jī)接口將會(huì)為他們帶來福音。由于腦磁圖既不需要參照點(diǎn)也不需要與皮膚接觸，不會(huì)出現(xiàn)由此引起的誤差。此外腦磁圖能直接反應(yīng)腦內(nèi)場(chǎng)源的活動(dòng)狀態(tài)。因此，將腦磁信號(hào)作為腦機(jī)接口分析中的控制信號(hào)是很有前景的，怎樣有效的對(duì)腦磁信號(hào)進(jìn)行特性提取是腦機(jī)接口研究的關(guān)鍵問題之一。2.腦機(jī)接口國內(nèi)外研究現(xiàn)實(shí)狀況(1)腦機(jī)接口中常用的控制信號(hào)原則上說，可以代表腦活動(dòng)的信號(hào)都可以用來作為腦機(jī)接口的輸入信號(hào)。這些信號(hào)包括電、磁、代謝、化學(xué)、熱等。這需要用不一樣的傳感器將這些信號(hào)檢測(cè)出來。這些傳感器包括腦電極(Electroencephalogram，EEG)和植入式電子生理措施，如皮層腦電圖(Electrocorticogram，ECoG)、腦內(nèi)單個(gè)神經(jīng)元記錄、腦磁圖(Magnetoencephalography，MEG)、正電子發(fā)射計(jì)算機(jī)斷層顯像技術(shù)(PET)、腦磁共振功能成像(fMRI)和功能性近紅外光成像(fNIR)。目前非植入式和植入式的電子生理的措施（即EEG，ECoG，單神經(jīng)元記錄）是目前僅有的運(yùn)用比較簡樸的和廉價(jià)的設(shè)備，運(yùn)用這一措施就能得到很好的成果。PET、fMRI和fNIR這些都依賴人的變化的過程，具有長時(shí)間的穩(wěn)態(tài)，因此，對(duì)迅速的通信經(jīng)不起檢查。MEG、PET、fMRI和fNIR這些措施在技術(shù)上仍舊規(guī)定苛刻且價(jià)格昂貴，這些原因阻礙了它們的廣泛應(yīng)用。盡管存在這些阻礙，目前仍舊有某些學(xué)者在探索這些措施對(duì)腦機(jī)接口研究的價(jià)值[1~2]。由于這些原因，幾乎所有的在人類中用于處理方面的腦機(jī)接口中已完畢的應(yīng)用都是用腦電圖和皮層腦電圖信號(hào)。但腦電圖信號(hào)也有其局限性，空間辨別率較低，輕易受外界干擾。皮層腦電圖信號(hào)由于需要植入電極，手術(shù)存在一定的風(fēng)險(xiǎn)性，不利于推廣。(2)基于腦電信號(hào)的腦機(jī)接口系統(tǒng)大量的研究資料表明腦機(jī)接口的研究重要處在運(yùn)動(dòng)皮層領(lǐng)域。根據(jù)鼓勵(lì)方式的不一樣，可以分為三類，產(chǎn)生的腦信號(hào)差異如下?；谙胂筮\(yùn)動(dòng)的腦信號(hào)當(dāng)大多數(shù)人沒有實(shí)際運(yùn)動(dòng)出現(xiàn)，只是感覺過程，或是想象某種運(yùn)動(dòng)過程[3~5]，這時(shí)候明顯的波動(dòng)出目前EEG記錄的8-12Hz頻帶內(nèi)的感覺運(yùn)動(dòng)區(qū)。這種波動(dòng)一般叫做mu節(jié)律，是由丘腦皮層回路[6]產(chǎn)生的。由于現(xiàn)代采集和處理措施的匱乏，在諸多人中還不能檢測(cè)出mu節(jié)律[7]，不過基于計(jì)算機(jī)的分析已經(jīng)發(fā)現(xiàn)mu節(jié)律在絕大多數(shù)人中是真實(shí)存在的[8,9]。這一分析也證明了mu節(jié)律和18-25Hz的beta節(jié)律是相聯(lián)絡(luò)的。某些beta節(jié)律是和mu節(jié)律相一致的，而有某些beta節(jié)律和mu節(jié)律在拓?fù)浠驎r(shí)間上是相分離的，因此，至少會(huì)出現(xiàn)獨(dú)立于EEG特性[10~12]。由于mu/beta節(jié)律的變化是和一般的運(yùn)動(dòng)/感覺功能相聯(lián)絡(luò)的，對(duì)于BCI通信來說，可以作為很好的信號(hào)特性。在感覺運(yùn)動(dòng)皮層，運(yùn)動(dòng)或是準(zhǔn)備運(yùn)動(dòng)，尤其是運(yùn)動(dòng)的對(duì)側(cè)面，mu和beta活動(dòng)都會(huì)伴伴隨有經(jīng)典的下降，不過不能是運(yùn)動(dòng)的某種特殊方面，例如運(yùn)動(dòng)的方向[13]。此外，運(yùn)動(dòng)想象（即想象運(yùn)動(dòng)）也會(huì)使mu/beta節(jié)律產(chǎn)生變化[14,15]。由于人們不通過實(shí)際運(yùn)動(dòng)也可以使這些節(jié)律產(chǎn)生變化，因此這些節(jié)律可以作為BCI的基礎(chǔ)。小概率事件誘發(fā)電位通過運(yùn)動(dòng)活動(dòng)或運(yùn)動(dòng)想象來調(diào)整大腦反應(yīng)，刺激電位對(duì)于BCI操作系統(tǒng)也是很有用的。例如，通過四十年的研究表明在偶爾的刺激后EEG會(huì)出現(xiàn)一種正回饋（即所謂的“P300”或叫做“oddball”電位），在刺激發(fā)生后300ms頂骨皮質(zhì)之上發(fā)生的。P300電位的幅值在頂骨電極點(diǎn)是最大的，而在中間和前部電極記錄點(diǎn)是減弱的[25]。P300一般是將事件分為幾類，其中一類事件發(fā)生的概率很小，當(dāng)出現(xiàn)時(shí)，就會(huì)誘發(fā)P300電位。在許多研究中P300電位是作為BCI系統(tǒng)的基礎(chǔ)的[16]，運(yùn)用試驗(yàn)范例來實(shí)現(xiàn)。Sutter開發(fā)出一種控制設(shè)備，可以檢測(cè)顧客在一種閃爍的矩陣刺激中所注視的單元矩陣塊兒。接著，1988年，Illinois穩(wěn)態(tài)視覺誘發(fā)電位通過視覺刺激來產(chǎn)生電位，也是一種很明顯的腦信號(hào)產(chǎn)生方式。穩(wěn)態(tài)視覺誘發(fā)電位(Steady-statevisualevokedpotential，SSVEP)是通過一定的頻率刺激受試者的視覺系統(tǒng)，其中不一樣的模塊選擇不一樣的頻率進(jìn)行刺激，操作者注視要選擇的按鈕，SSVEP中對(duì)應(yīng)的頻率成分幅度增長，通過檢測(cè)，得到與對(duì)應(yīng)的頻率控制的模塊，來實(shí)現(xiàn)操作不一樣的設(shè)備。通過訓(xùn)練，操作者可以自覺控制SSVEP的幅度。國內(nèi)外很重視開發(fā)基于視覺穩(wěn)態(tài)誘發(fā)電位的腦機(jī)接口。美國空軍研究室運(yùn)用SSVEP做了有關(guān)腦機(jī)接口的研究。國內(nèi)清華大學(xué)從到，運(yùn)用SSVEP實(shí)現(xiàn)了電話撥號(hào)系統(tǒng)，室內(nèi)環(huán)境的控制，還開發(fā)了協(xié)助殘疾人運(yùn)用SSVEP控制遙控器打開家用電器。接著又開發(fā)了用于患者恢復(fù)肢體運(yùn)動(dòng)系統(tǒng)的SSVEP腦機(jī)接口系統(tǒng)。在研究了腦信號(hào)特性的基礎(chǔ)上，由于腦磁信號(hào)與腦電信號(hào)有很大的有關(guān)性，這些信號(hào)特性可認(rèn)為研究腦磁信號(hào)提供參照，與此同步，腦磁信號(hào)的特性可以對(duì)腦電信號(hào)的研究起輔助性作用。(3)基于腦磁信號(hào)腦機(jī)接口的研究現(xiàn)實(shí)狀況MEG的檢測(cè)過程，是對(duì)腦內(nèi)神經(jīng)電流發(fā)出的極其微弱的生物磁場(chǎng)信號(hào)的直接測(cè)量，同步，測(cè)量系統(tǒng)自身不會(huì)釋放任何對(duì)人體有害的射線，能量或機(jī)器噪聲。在檢測(cè)過程中，MEG探測(cè)儀不需要固定在患者頭部，測(cè)量前對(duì)患者不必作特殊準(zhǔn)備，因此準(zhǔn)備時(shí)間短，檢測(cè)過程安全、簡便，對(duì)人體無任何副作用。根據(jù)StephanWaldert等人的研究表明，腦磁信號(hào)和腦電信號(hào)同樣，也包括大腦的手動(dòng)信息，它們可以用來辨別不一樣方向的運(yùn)動(dòng)，并且可以提供相對(duì)較高的譯碼性能[37]。Georgopoulos在Science上建立了活動(dòng)參數(shù)包括手運(yùn)動(dòng)方向和腦運(yùn)動(dòng)皮層的神經(jīng)活動(dòng)關(guān)系[17]。TonioBall研究了手運(yùn)動(dòng)方向和腦皮層電圖的關(guān)系，其平均對(duì)的率為60%[18]。這兩者是植入式的(invasive)。StephanWaldert等人的研究表明，腦磁圖和腦電圖信號(hào)這兩種非植入式(noninvasive)信號(hào)，也都包括大腦的手動(dòng)信息，它們可以用來辨別4個(gè)不一樣方向的運(yùn)動(dòng)，并且可以提供相對(duì)較高的譯碼性能，其平均對(duì)的率為60%[19~21]。TrentJ.Bradberry匯報(bào)了基于MEG手運(yùn)動(dòng)方向的研究成果[23]。目前國內(nèi)還沒有報(bào)道。腦機(jī)接口國際第四次競(jìng)賽在前三次競(jìng)賽成功舉行的基礎(chǔ)上，更多的關(guān)注腦機(jī)接口的實(shí)用化，目的是驗(yàn)證腦機(jī)接口中的信號(hào)處理和模式識(shí)別措施，(BCICompetitionIV,http://www.bbci.de/competition/iv/)。其中第三組數(shù)據(jù)就是MEG手運(yùn)動(dòng)方向分析(handmovementdirectioninMEG)的數(shù)據(jù)，它記錄了兩個(gè)試驗(yàn)者執(zhí)行四個(gè)不一樣方向的手腕運(yùn)動(dòng)時(shí)的10個(gè)通道MEG信號(hào)。王金甲導(dǎo)師參與了這次競(jìng)賽，對(duì)第三組數(shù)據(jù)進(jìn)行了處理，獲得了第四名的成績。3.重要參照文獻(xiàn)[1]K.L.LalSaroj,AshleyCraig.ElectroencephalographyActivityAssociatedwithDrivS.Gerwin,M.Jürgen.ApraticalGuidetoBrain-ComputerInterfacingwithBCI[M].SpringerLondonDordrechtHeidelbergNewYork.:4-5[2]S.Coyle,T.Ward,C.Markham,etal.OntheSuitabilityofNear-infrared(NIR)systemsforNext-generationBrain-computerInterfaces.Physiol.Meas.,25(4):815-822[3]B.J.Fisch.FischandSpehlmann’sEEGPrimer,2ndedn.Elsevier,Amsterdam.1991:35-38[4]H.Gastaut.EtudeElectrocorticograhgiquedelaReactivitedesRythmesRolandiques.Rev.Neurol.1952,87:176-182[5]J.W.Kozelka,T.A.Pedley.BetaandMuRhytyms.J.Clin.Neurophysiol.1997:191~207[6]G.E.Chatrian.TheMuRhythm.In:HandbookofElectroencephalographyandClinicalNeurophysiology.TheEEGoftheWalkingAdult.Elsevier,Amsterdam.1976:46-49[7]G.Pfurtscheller.EEGEvent-relatedDesynchronization(ERD)andEvent-relatedSynchronization(ERS).In:Niedermeyer,E.,LopesdaSilva,F.H.(eds.)Electroenceph-alography:BasicPrinciples,ClinicalApplicationsandRelatedFields,4thedn.,WilliamsandWilkins,Baltimore.1999:958-967[8]G.Pfurtscheller,A.Berghold.PatternsofCorticalActivationduringPlanningofVoluntaryMovement.Electroencephalogr.Clin.Neurophysiol.1989,72:250-258[9]D.J.McFarland,L.A.Miner,T.M.Vaughan,etal.MuandBetaRhythmTopographiesduringMotorImageryandActualMovements.BrainTopogr.,12(3):177-186[10]C.Toro,C.Cox,G.Friehs,etal.8-12HzRhythmicOscillationsinHumanMotorCortexduringTwo-dimensionalArmMovements:evidenceforRepresentationofKinematicParameters.Electroencephalogr.Clin.Neurophysiol.1994,93(5):390-403[11]G.Pfurtscheller,C.Neuper.MotorImageryActivatesPrimarySensorimotorAreainHumans.Neurosci.Lett.1997,239:65-68[12]E.Donchin.Surprise!...Surprise?.PresidentialAddress,Psychophysiol.1981,18(5):493-513[13]E.Donchin,K.M.Spencer,R.Wijesinghe.TheMentalProsthesis:AssessingtheSpeedofaP300-basedBrain-computerInterface.IEEETrans.Rehabil.Eng.,8(2):174-179[14]L.A.Farwell,E.Donchin.TalkingofftheTopofYourHead:towardaMentalProsthesisUtilizingEvent-relatedBrainPotentials.Electroencephalogr.Clin.Neurophysiol.1988,70(6):510-523[15]U.Hoffmann,J.M.Vesin,T.Ebrahimi,etal.AnEfficientP300-basedBrain-computerInterfaceforDisabledSubjects.J.Neurosci.Methods.,167(1):115-125[16]R.Neshige,N.Murayama,K.Tanoue,etal.OptimalMethodsofStimulusPresentationandFrequencyAnslysisinP300-basedBrain-computerInterfacesforPatientswithSevereMotorImpairment.Suppl.Clin.Neurophysiol.,59:35-42[17]吳婷,顏國正,楊幫華.基于小波包分解的腦電信號(hào)特性提取.儀器儀表學(xué)報(bào),,28(12):2230-2234[18]A.P.Georgopoulos,A.B.Schwartz,R.EKettner.NeuronalPopulationCodingofMovementDirection.Science,1986,233(4771):1416-1419[19]B.Tonio,S.B.Andreas,A.Ad,etal.DifferentialRepresentationofArmMovementDirectioninRelationtoCorticalAnatomyandFunction.JournalofNeuralEngineering,,6(1):10-12[20]M.Jürgen,S.Gerwin,B.Christoph,etal.AnMEG-basedBrain–computerInterface(BCI).NeuroImage,,36(3):581-593[21]W.Stephan,B.Christoph,P.Hubert.DecodingPerformanceforHandMovement:EEGvs.MEG.29thAnnualInternationalConferenceofIEEE-EMBS,EngineeringinMedicineandBiologySociety,EMBC'07,:5346-5348[22]W.Stephan,P.Hubert,D.Evariste,etal.HandMovementDirectionDecodedfromMEGandEEG.JournalofNeuroscience,,28(4):1000-1008[23]J.Trent,Bradberry,F.Rong,etal.DecodingCenter-outHandVelocityfromMEGSignalsduringVisuomotorAdaptation.NeuroImage,,47(4):1691-1700二、研究內(nèi)容，預(yù)期目的或成果（詳細(xì)闡明課題研究內(nèi)容，要重點(diǎn)處理的關(guān)鍵問題和本課題所要到達(dá)的目的或要獲得的成果）：1.研究內(nèi)容本課題針對(duì)基于腦磁信號(hào)腦機(jī)接口關(guān)鍵技術(shù)展開研究，重要研究內(nèi)容包括如下幾種方面：目前，對(duì)腦磁信號(hào)的研究重要集中在實(shí)際系統(tǒng)的開發(fā)，應(yīng)用到的模式識(shí)別算法相對(duì)簡樸。常用老式的帶通濾波器進(jìn)行通帶的選擇，然后提取腦磁信號(hào)的時(shí)域特性或頻域特性作為信號(hào)的編碼信息，用Fisher線性鑒別，支持向量機(jī)分類對(duì)得到的模式信息進(jìn)行分類[41-43]。這些處理算法都是基于平穩(wěn)信號(hào)的，直接應(yīng)用于處理競(jìng)賽的非平穩(wěn)的腦磁信號(hào)效果不是很好。直接應(yīng)用線性措施對(duì)腦磁信號(hào)進(jìn)行分類，識(shí)別率一直難于提高。識(shí)別對(duì)的率作為腦機(jī)接口的關(guān)鍵指標(biāo)，一直是關(guān)注的熱點(diǎn)。從上述的分析中可以看出，選擇合適的腦磁信號(hào)的處理算法是問題的關(guān)鍵。重要對(duì)如下問題進(jìn)行了研究。(1)為了提高腦磁信號(hào)的信噪比，為接下來的處理提供更可靠的數(shù)據(jù)，首先從選擇合適的信號(hào)處理算法開始，例如選擇適合于處理非平穩(wěn)信號(hào)的小波去噪措施。(2)針對(duì)腦磁信號(hào)的非平穩(wěn)，非高斯特性，將處理平穩(wěn)信號(hào)的算法，進(jìn)行改善，使其適合處理非平穩(wěn)信號(hào)，設(shè)計(jì)適合腦磁信號(hào)編碼的新措施，將復(fù)雜的腦磁信號(hào)進(jìn)行分解，挖掘這些信號(hào)的重要成分，作為腦運(yùn)動(dòng)模式的類別信息。(3)腦信號(hào)的識(shí)別問題，又是腦機(jī)接口中的關(guān)鍵所在。由于老式的線性分類識(shí)別率一直難于提高，本文嘗試了用非線性分類措施對(duì)腦磁信號(hào)進(jìn)行分類。(4)在腦機(jī)接口的數(shù)據(jù)測(cè)量中，需要測(cè)量大量的訓(xùn)練數(shù)據(jù)。在訓(xùn)練數(shù)據(jù)的測(cè)量過程中，由于持續(xù)時(shí)間較長，數(shù)據(jù)的穩(wěn)定性相對(duì)變差，假如能減少測(cè)量次數(shù)，這將有助于腦機(jī)接口的在線應(yīng)用。(5)在閱讀文獻(xiàn)過程中，發(fā)現(xiàn)對(duì)不一樣的測(cè)試者，同一算法的識(shí)別率差異較大，即算法的通用性差。對(duì)引起這一問題的原因進(jìn)行初步探索。2.重點(diǎn)處理的關(guān)鍵問題(1)腦磁去噪很好的濾波算法有助于腦電信號(hào)的特性提取。目前，常用的濾波措施可以分為兩大類，一是頻域?yàn)V波，即提取特定頻率的腦電信號(hào)來控制外部設(shè)備，如基于皮層慢電位的腦機(jī)接口系統(tǒng)；二是空域?yàn)V波，即對(duì)腦電信號(hào)進(jìn)行通道的選擇，找出差異最大的兩個(gè)或多種通道，提取這些通道的特性。而對(duì)于腦磁信號(hào)來說，由于其頻率特性和通道特性還不太明確，鑒于卡爾曼濾波處理時(shí)域信號(hào)的很好效果，將這一算法應(yīng)用到了腦磁信號(hào)去噪過程中。(2)特性提取怎樣提取很好的腦電模式是BCI系統(tǒng)的關(guān)鍵所在。目前常用的特性提取措施有時(shí)域特性提取和頻域特性提取，這都是基于平穩(wěn)信號(hào)的，直接應(yīng)用于處理非平穩(wěn)的腦磁信號(hào)效果不是很好。選用了非平穩(wěn)的特性提取算法，將經(jīng)驗(yàn)?zāi)B(tài)分解措施應(yīng)用到腦機(jī)接口中，用自回歸模型提取特性。鑒于腦磁信號(hào)的高維特性，對(duì)腦磁信號(hào)進(jìn)行了降維處理，以此進(jìn)行特性提取算法的研究。(3)腦磁信號(hào)的識(shí)別BCI分類中常見觀點(diǎn)是非線性分類器嚴(yán)重過擬合，識(shí)別率反而不如線性分類器。MEG的BCI系統(tǒng)采用信號(hào)處理的特性提取和線性分類，識(shí)別率一直難于提高；而采用信號(hào)處理的特性提取和非線性分類，效果不如線性分類器。在目前還沒有合適的信號(hào)特性提取措施的狀況下，我們嘗試了非線性分類器。由于BCI數(shù)據(jù)需要大量的訓(xùn)練，這使得BCI系統(tǒng)在在線應(yīng)用中產(chǎn)生了很大的阻礙，為了處理這一問題，提出了一種基于半監(jiān)督的模糊聚類措施。3.預(yù)期成果(1)將基于自回歸模型的無味卡爾曼濾波算法應(yīng)用到腦機(jī)接口中，這是一種時(shí)域?yàn)V波算法，獲得了很好的去噪效果，為特性提取和分類提供了有利的保證。(2)對(duì)腦磁信號(hào)進(jìn)行了經(jīng)驗(yàn)?zāi)B(tài)分解，使其滿足平穩(wěn)性，適合于用自回歸模型處理。并應(yīng)用了數(shù)據(jù)降維的措施將腦磁信號(hào)從高維降到三維。試驗(yàn)成果表明，這兩種算法獲得了很好的識(shí)別率。(3)提出了一種基于半監(jiān)督的聚類算法，這將有助于減少訓(xùn)練數(shù)據(jù)的測(cè)量次數(shù)。(4)在國內(nèi)重要學(xué)術(shù)期刊刊登論文2-3篇。三、擬采用的研究措施、技術(shù)路線、試驗(yàn)方案及可行性分析：1.擬采用的研究措施和技術(shù)路線(1)研究并討論無味卡爾曼濾波怎樣在腦機(jī)接口中應(yīng)用首先，在分析了卡爾曼濾波算法的基礎(chǔ)上，要想使其適合分析非線性信號(hào)，需要對(duì)其進(jìn)行改善。其中改善的濾波算法包括擴(kuò)展卡爾曼濾波(EKF)和無味卡爾曼濾波(UKF)。鑒于UKF算法在處理非線性數(shù)據(jù)的成功應(yīng)用，采用了UKF算法。在這一算法中，怎樣建立狀態(tài)方程和觀測(cè)方程，成為問題的關(guān)鍵。由于腦磁數(shù)據(jù)的內(nèi)部特性目前還不是很明確，選用了自回歸模型(AR)模型的作為系統(tǒng)的狀態(tài)方程，以AR模型的計(jì)算成果作為系統(tǒng)的觀測(cè)方程。針對(duì)目前沒有明確的AR模型參數(shù)確定的理論，在這里采用試驗(yàn)的措施，即將階數(shù)從1~15分別進(jìn)行了試驗(yàn)，從而選擇很好的模型階數(shù)。(2)針對(duì)腦磁信號(hào)的非線性和非高斯性的特性提取算法的研究在對(duì)老式腦機(jī)接口特性提取算法分析研究的基礎(chǔ)上，重要采用了適合于處理非平穩(wěn)性的算法。為了驗(yàn)證這一想法的合理性，首先選用了一般的非線性措施，自適應(yīng)自回歸模型(AAR)，高階譜的AR模型，驗(yàn)證其試驗(yàn)成果與否相對(duì)于平穩(wěn)性的算法有提高。在驗(yàn)證了這一想法的基礎(chǔ)上，對(duì)老式的特性提取算法進(jìn)行了改善，將經(jīng)驗(yàn)?zāi)B(tài)分解措施(EMD)措施應(yīng)用到腦磁信號(hào)中，將非平穩(wěn)信號(hào)分解為平穩(wěn)信號(hào)，然后用AR模型提取特性，分別對(duì)AR模型的階數(shù)從1~15做了試驗(yàn)。針對(duì)腦磁信號(hào)的高維特性，在分析了主成分分析(PCA)有效性降維的基礎(chǔ)上，并用線性鑒別分析(LDA)進(jìn)行了改善，以低維的數(shù)據(jù)作為腦磁信號(hào)的特性，觀看算法的識(shí)別率。(3)設(shè)計(jì)改善的半監(jiān)督聚類算法在腦機(jī)接口系統(tǒng)中，常用的分類措施都是基于線性的分類算法。針對(duì)于腦磁信號(hào)的非線性特性，選用了非線性的分類器。首先，選用近鄰法驗(yàn)證這一想法的可行性。近鄰法作為非線性分類的簡樸算法，操作簡樸，改善空間大。分別試驗(yàn)了基于距離的近鄰法，數(shù)據(jù)依賴的核近鄰法，這些算法相對(duì)于近鄰法，雖然識(shí)別率提高不是很大，但驗(yàn)證了非線性分類器的可行性。為了從訓(xùn)練數(shù)據(jù)挖掘更多的信息應(yīng)用到測(cè)試數(shù)據(jù)中，以此減少訓(xùn)練數(shù)據(jù)的測(cè)量次數(shù)，提高系統(tǒng)的性能，提出了一種改善的半監(jiān)督聚類算法，以訓(xùn)練數(shù)據(jù)的中心影響測(cè)試數(shù)據(jù)的中心，從而增長算法的合用性。2.試驗(yàn)方案(1)首先閱讀大量的資料，理解腦磁信號(hào)的特性，以及處理過程的細(xì)節(jié)，必要的算法進(jìn)行重現(xiàn)，以檢查理解的對(duì)的性和合理性。(2)針對(duì)不一樣的問題，先從簡樸的算法入手，在對(duì)簡樸的算法的仿真過程中發(fā)現(xiàn)其局限性，對(duì)其進(jìn)行改善。(3)對(duì)同一種問題，首先閱讀有關(guān)這一問題的有關(guān)文獻(xiàn)，得到這一算法的優(yōu)缺陷，在對(duì)該算法形成認(rèn)識(shí)的基礎(chǔ)上，對(duì)這一算法進(jìn)行多角度的思索，驗(yàn)證算法的可行性。假如在多角度的仿真過程中，沒有到達(dá)預(yù)期的效果，換一種算法對(duì)其進(jìn)行試驗(yàn)。4.可行性分析(1)知識(shí)儲(chǔ)備：通過對(duì)碩士期間專業(yè)課程的學(xué)習(xí)，對(duì)現(xiàn)代數(shù)字信號(hào)處理、模式識(shí)別基礎(chǔ)知識(shí)有了較為深入的理解，另一方面通過對(duì)大量有關(guān)論文的搜索和學(xué)習(xí)，使我對(duì)本課題有了一定的知識(shí)儲(chǔ)備。(2)研究內(nèi)容和技術(shù)路線的合理性：本課題的研究內(nèi)容是在前人已經(jīng)有研究基礎(chǔ)上進(jìn)行了改善，并提出新的思緒和措施，同步，腦磁去噪，特性提取以及分類識(shí)別等問題在腦機(jī)接口領(lǐng)域已經(jīng)有較為成熟研究成果，均有對(duì)應(yīng)的理論支持。(3)試驗(yàn)條件：有較高配置的計(jì)算機(jī)一臺(tái)，上網(wǎng)查資料以便，同步，有導(dǎo)師的引導(dǎo)和耐心指