腦機(jī)接口開(kāi)題報(bào)告

燕山大學(xué)研究生學(xué)位論文開(kāi)題報(bào)告課題名稱：基于腦磁圖的腦機(jī)接口方法研究研究生姓名：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)研究生部2009年12月20日說(shuō)明一、研究生開(kāi)題報(bào)告各項(xiàng)內(nèi)容，要實(shí)事求是，逐條認(rèn)真填寫(xiě)。表達(dá)要明確、嚴(yán)謹(jǐn)，字跡要清晰易辨，外來(lái)語(yǔ)要同時(shí)用原文和中文表達(dá)。第一次出現(xiàn)縮寫(xiě)詞，須注出全稱。二、參加開(kāi)題報(bào)告評(píng)議組成員，應(yīng)具有副高職以上職稱。碩士學(xué)位研究生開(kāi)題報(bào)告，評(píng)議組成員不得少于三人；博士學(xué)位研究生開(kāi)題報(bào)告，評(píng)議組成員不得少于五人。每個(gè)評(píng)議組成員應(yīng)有一位組長(zhǎng)，其中博士學(xué)位研究生開(kāi)題報(bào)告評(píng)議組組長(zhǎng)應(yīng)具有教授職稱。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)熟悉相應(yīng)專業(yè)。三、開(kāi)題報(bào)告應(yīng)對(duì)評(píng)議組成員所提出的問(wèn)題及研究生的回答給出具體、準(zhǔn)確的記錄。開(kāi)題報(bào)告結(jié)束后，由評(píng)議組成員綜合評(píng)議組成員的意見(jiàn)，寫(xiě)出具體評(píng)議結(jié)論。并由專業(yè)負(fù)責(zé)人審核簽字后，報(bào)研究生部備案。四、本報(bào)告中，由研究生本人撰寫(xiě)的對(duì)課題和研究工作的分析及描述、對(duì)碩士學(xué)位論文研究生應(yīng)不少于3000字，對(duì)博士學(xué)位論文研究生應(yīng)不少于5000字。第二頁(yè)以后各欄空格不夠時(shí)，可另行加頁(yè)。五、根據(jù)論文工作的最終研究結(jié)果，所提交學(xué)位論文的題目可以在本開(kāi)題報(bào)告的基礎(chǔ)上有適當(dāng)改動(dòng)。六、本開(kāi)題報(bào)告一式三份，學(xué)生個(gè)人和導(dǎo)師留一份，學(xué)科留一份，交研究生部培養(yǎng)辦一份備案（除簽字以外必須打?。?，研究生部不負(fù)責(zé)查詢。

姓名性別年齡入學(xué)時(shí)間開(kāi)題時(shí)間周麗娜女272008年9月2009-12-20課題來(lái)源河北自然科學(xué)基金報(bào)告時(shí)間2009年12月20日開(kāi)題報(bào)告評(píng)議組成員姓名職稱姓名職稱邢光龍教授劉洺辛副教授王玉寶副教授評(píng)議組對(duì)課題及報(bào)告的評(píng)議：評(píng)議組組長(zhǎng)：專業(yè)負(fù)責(zé)人意見(jiàn)：專業(yè)負(fù)責(zé)人：年月日一、立論依據(jù)(所選課題的科學(xué)意義和應(yīng)用前景，國(guó)內(nèi)外研究現(xiàn)狀分析，主要參考文獻(xiàn)目錄)：本課題研究的科學(xué)意義和應(yīng)用前景通常，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，比如通過(guò)手拿取杯子，打開(kāi)電視機(jī)等活動(dòng)。但是，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)，情況嚴(yán)重的患者可能將會(huì)失去控制肌肉的所有能力，徹底不能與外界溝通。在沒(méi)有徹底改變疾病影響的情況下，腦機(jī)接口將會(huì)為他們帶來(lái)福音。因?yàn)槟X磁圖既不需要參考點(diǎn)也不需要與皮膚接觸，不會(huì)出現(xiàn)由此引起的誤差。另外腦磁圖能直接反映腦內(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，如何有效的對(duì)腦磁信號(hào)進(jìn)行特征提取是腦機(jī)接口研究的核心問(wèn)題之一。2?腦機(jī)接口國(guó)內(nèi)外研究現(xiàn)狀腦機(jī)接口中常用的控制信號(hào)原則上說(shuō)，可以代表腦活動(dòng)的信號(hào)都可以用來(lái)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。這需要用不同的傳感器將這些信號(hào)檢測(cè)出來(lái)。這些傳感器包括腦電極(Electroencephalogram,EEG)和植入式電子生理方法，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方法(即EEG,ECoG，單神經(jīng)元記錄)是現(xiàn)在僅有的利用比較簡(jiǎn)單的和便宜的設(shè)備，利用這一方法就能得到較好的結(jié)果。PET、fMRI和fNIR這些都依賴人的變化的過(guò)程，具有長(zhǎng)時(shí)間的穩(wěn)態(tài)，因此，對(duì)快速的通信經(jīng)不起檢驗(yàn)。MEG、PET、fMRI和fNIR這些方法在技術(shù)上依舊要求苛刻且價(jià)格昂貴，這些因素妨礙了它們的廣泛應(yīng)用。盡管存在這些阻礙，現(xiàn)在仍舊有一些學(xué)者在探索這些方法對(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)接口中已完成的應(yīng)用都是用腦電圖和皮層腦電圖信號(hào)。但腦電圖信號(hào)也有其不足，空間分辨率較低，容易受外界干擾。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?；谀X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)接口的研究主要處在運(yùn)動(dòng)皮層領(lǐng)域。根據(jù)激勵(lì)方式的不同，可以分為三類，產(chǎn)生的腦信號(hào)差別如下?；谙胂筮\(yùn)動(dòng)的腦信號(hào)當(dāng)大多數(shù)人沒(méi)有實(shí)際運(yùn)動(dòng)出現(xiàn)，只是感覺(jué)過(guò)程，或是想象某種運(yùn)動(dòng)過(guò)程［3~5］,這時(shí)候顯著的波動(dòng)出現(xiàn)在EEG記錄的8-12Hz頻帶內(nèi)的感覺(jué)運(yùn)動(dòng)區(qū)。這種波動(dòng)通常叫做mu節(jié)律，是由丘腦皮層回路⑹產(chǎn)生的。由于現(xiàn)代采集和處理方法的匱乏，在很多人中還不能檢測(cè)出mu節(jié)律⑺，但是基于計(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［&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)系的。一些beta節(jié)律是和mu節(jié)律相一致的，而有一些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特征［1。~12］。因?yàn)閙u/beta節(jié)律的變化是和通常的運(yùn)動(dòng)/感覺(jué)功能相聯(lián)系的，對(duì)于BCI通信來(lái)說(shuō)，可以作為很好的信號(hào)特征。在感覺(jué)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)伴隨著有典型的下降，但是不能是運(yùn)動(dòng)的某種特殊方面，比如運(yùn)動(dòng)的方向Ml。另外，運(yùn)動(dòng)想象(即想象運(yùn)動(dòng))也會(huì)使mu/beta節(jié)律產(chǎn)生變化陽(yáng),1習(xí)。因?yàn)槿藗儾煌ㄟ^(guò)實(shí)際運(yùn)動(dòng)也可以使這些節(jié)律產(chǎn)生變化，所以這些節(jié)律可以作為BCI的基礎(chǔ)。小概率事件誘發(fā)電位通過(guò)運(yùn)動(dòng)活動(dòng)或運(yùn)動(dòng)想象來(lái)調(diào)節(jié)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(guò)四十年的研究表明在偶爾的刺激后EEG會(huì)出現(xiàn)一個(gè)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)是削弱的?I。P300通常是將事件分為幾類，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a】，利用實(shí)驗(yàn)范例來(lái)實(shí)現(xiàn)。Sutter開(kāi)發(fā)出一種控制設(shè)備，可以檢測(cè)用戶在一個(gè)閃爍的矩陣刺激中所注視的單元矩陣塊兒。接著，1988年，Illinois大學(xué)的FarewellandDonchin設(shè)計(jì)了虛擬打字機(jī)。2000年，Donchin等人對(duì)打字機(jī)進(jìn)行了改進(jìn)。據(jù)此，中南民族大學(xué)研究者設(shè)計(jì)出虛擬鍵盤(pán)，患者可以利用此設(shè)備輸入字符。但目前傳輸速率不是特別高。穩(wěn)態(tài)視覺(jué)誘發(fā)電位通過(guò)視覺(jué)刺激來(lái)產(chǎn)生電位，也是一種很顯著的腦信號(hào)產(chǎn)生方式。穩(wěn)態(tài)視覺(jué)誘發(fā)電位(Steady-statevisualevokedpotential，SSVEP)是通過(guò)一定的頻率刺激受試者的視覺(jué)系統(tǒng)，其中不同的模塊選擇不同的頻率進(jìn)行刺激，操作者注視要選擇的按鈕，SSVEP中相應(yīng)的頻率成分幅度增加，經(jīng)過(guò)檢測(cè)，得到與相應(yīng)的頻率控制的模塊，來(lái)實(shí)現(xiàn)操作不同的設(shè)備。經(jīng)過(guò)訓(xùn)練，操作者可以自覺(jué)控制SSVEP的幅度。國(guó)內(nèi)外很注重開(kāi)發(fā)基于視覺(jué)穩(wěn)態(tài)誘發(fā)電位的腦機(jī)接口。2000年美國(guó)空軍研究室利用SSVEP做了關(guān)于腦機(jī)接口的研究。國(guó)內(nèi)清華大學(xué)從2003年到2004年，利用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(kāi)發(fā)了幫助殘疾人利用SSVEP控制遙控器打開(kāi)家用電器。接著又開(kāi)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)特征的基礎(chǔ)上，由于腦磁信號(hào)與腦電信號(hào)有很大的相關(guān)性，這些信號(hào)特征可以為研究腦磁信號(hào)提供參考，與此同時(shí)，腦磁信號(hào)的特征可以對(duì)腦電信號(hào)的研究起輔助性作用?；谀X磁信號(hào)腦機(jī)接口的研究現(xiàn)狀MEG的檢測(cè)過(guò)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，同時(shí)，測(cè)量系統(tǒng)本身不會(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(guò)程中，MEG探測(cè)儀不需要固定在患者頭部，測(cè)量前對(duì)患者無(wú)須作特殊準(zhǔn)備，所以準(zhǔn)備時(shí)間短，檢測(cè)過(guò)程安全、簡(jiǎn)便，對(duì)人體無(wú)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)一樣，也包含大腦的手動(dòng)信息，它們能夠用來(lái)區(qū)分不同方向的運(yùn)動(dòng)，并且能夠提供相對(duì)較高的譯碼性能［3刀。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)系切。TonioBall研究了手運(yùn)動(dòng)方向和腦皮層電圖的關(guān)系，其平均正確率為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)，也都包含大腦的手動(dòng)信息，它們能夠用來(lái)區(qū)分4個(gè)不同方向的運(yùn)動(dòng)，并且能夠提供相對(duì)較高的譯碼性能，其平均正確率為60%[i9~2i]。2009年TrentJ.Bradberry報(bào)告了基于MEG手運(yùn)動(dòng)方向的研究結(jié)果[23]。目前國(guó)內(nèi)還沒(méi)有報(bào)道。2008年腦機(jī)接口國(guó)際第四次競(jìng)賽在前三次競(jìng)賽成功舉辦的基礎(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)別方法，(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)實(shí)驗(yàn)者執(zhí)行四個(gè)不同方向的手腕運(yùn)動(dòng)時(shí)的10個(gè)通道MEG信號(hào)。王金甲導(dǎo)師參加了這次競(jìng)賽，對(duì)第三組數(shù)據(jù)進(jìn)行了處理，取得了第四名的成績(jī)。3.主要參考文獻(xiàn)K.L.LalSaroj,AshleyCraig.ElectroencephalographyActivityAssociatedwithDrivS.Gerwin,M.Jurgen.ApraticalGuidetoBrain-ComputerInterfacingwithBCI2000[M].SpringerLondonDordrechtHeidelbergNewYork.2010:4-5S.Coyle,T.Ward,C.Markham,etal.OntheSuitabilityofNear-infrared(NIR)systemsforNext-generationBrain-computerInterfaces.Physiol.Meas.2004,25(4):815-822B.J.Fisch.FischandSpehlmann'EEGPrimer,2ndedn.Elsevier,Amsterdam.1991:35-38H.Gastaut.EtudeElectrocorticograhgiquedelaReactivitedesRythmesRolandiques.Rev.Neurol.1952,87:176-182J.W.Kozelka,T.A.Pedley.BetaandMuRhytyms.J.Clin.Neurophysiol.1997:191?207G.E.Chatrian.The MuRhythm.In:HandbookofElectroencephalographyandClinicalNeurophysiology.TheEEGoftheWalkingAdult.Elsevier,Amsterdam.1976:46-49G.Pfurtscheller.EEG Event-relatedDesynchronization(ERD)andEvent-relatedSynchronization(ERS).In:Niedermeyer,E.,LopesdaSilva,F.H.(eds.)Electroenceph-alography:BasicPrinciples,ClinicalApplicationsandRelatedFields,4thedn.,WilliamsandWilkins,Baltimore.1999:958-967G.Pfurtscheller,A.Berghold.PatternsofCorticalActivationduringPlanningofVoluntaryMovement.Electroencephalogr.Clin.Neurophysiol.1989,72:250-258D.J.McFarland,L.A.Miner,T.M.Vaughan,etal.MuandBetaRhythmTopographiesduringMotorImageryandActualMovements.BrainTopogr.2000,12(3):177-186C.Toro,C.Cox,G.Friehs,etal.8-12HzRhythmicOscillationsinHumanMotorCortexduringTwo-dimensionalArmMovements:evidenceforRepresentationofKinematicParameters.Electroencephalogr.Clin.Neurophysiol.1994,93(5):390-403GPfurtscheller, C.Neuper.MotorImageryActivatesPrimarySensorimotorAreainHumans.Neurosci.Lett.1997,239:65-68E.Donchin.Surprise!...Surprise?.PresidentialAddress,Psychophysiol.1981,18(5):493-513E.Donchin,K.M.Spencer,R.Wijesinghe.TheMentalProsthesis:AssessingtheSpeedofaP300-basedBrain-computerInterface.IEEETrans.Rehabil.Eng.2000,8(2):174-179L.A.Farwell,E.Donchin.TalkingofftheTopofYourHead:towardaMentalProsthesisUtilizingEvent-relatedBrainPotentials.Electroencephalogr.Clin.Neurophysiol.1988,70(6):510-523U.Hoffmann,J.M.Vesin,T.Ebrahimi,etal.AnEfficientP300-basedBrain-computerInterfaceforDisabledSubjects.J.Neurosci.Methods.200&167(1):115-125R.Neshige,N.Murayama,K.Tanoue,etal.OptimalMethodsofStimulusPresentationandFrequencyAnslysisinP300-basedBrain-computerInterfacesforPatientswith SevereMotorImpairment.Suppl.Clin.Neurophysiol.2006,59:35-42吳婷,顏國(guó)正，楊幫華.基于小波包分解的腦電信號(hào)特征提取?儀器儀表學(xué)報(bào),2007,28(12):2230-2234A.P.Georgopoulos,A.B.Schwartz,R.EKettner.NeuronalPopulationCodingofMovementDirection.Science,1986,233(4771):1416-1419B.Tonio,S.B.Andreas,A.Ad,etal.DifferentialRepresentationofArmMovementDirectioninRelationtoCorticalAnatomyandFunction.JournalofNeuralEngineering,2009,6(1):10-12M.Jurgen,S.Gerwin,B.Christoph,etal.AnMEG-basedBrain-omputerInterface(BCI).Neuroimage,2007,36(3):581-593W.Stephan,B.Christoph,P.Hubert.DecodingPerformanceforHandMovement:EEGvs.MEG.29thAnnualInternationalConferenceofIEEE-EMBS,EngineeringinMedicineandBiologySociety,EMBC'07,2007:5346-5348W.Stephan,P.Hubert,D.Evariste,etal.HandMovementDirectionDecodedfromMEGandEEG.JournalofNeuroscience,200&28(4):1000-1008J.Trent,Bradberry,F.Rong,etal.DecodingCenter-outHandVelocityfromMEGSignalsduringVisuomotorAdaptation.NeuroImage,2009,47(4):1691-1700二、研究?jī)?nèi)容，預(yù)期目標(biāo)或成果(具體說(shuō)明課題研究?jī)?nèi)容，要重點(diǎn)解決的關(guān)鍵問(wèn)題和本課題所要達(dá)到的目標(biāo)或要取得的成果)：研究?jī)?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(kāi)研究，主要研究?jī)?nèi)容包括以下幾個(gè)方面：目前，對(duì)腦磁信號(hào)的研究主要集中在實(shí)際系統(tǒng)的開(kāi)發(fā)，應(yīng)用到的模式識(shí)別算法相對(duì)簡(jiǎn)單。常用傳統(tǒng)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)域特征或頻域特征作為信號(hào)的編碼信息，用Fisher線性判別，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)用線性方法對(duì)腦磁信號(hào)進(jìn)行分類，識(shí)別率一直難于提咼。識(shí)別正確率作為腦機(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(wèn)題的關(guān)鍵。主要對(duì)以下問(wèn)題進(jìn)行了研究。為了提高腦磁信號(hào)的信噪比，為接下來(lái)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(kāi)始，例如選擇適合于處理非平穩(wěn)信號(hào)的小波去噪方法。(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)行改進(jìn)，使其適合處理非平穩(wěn)信號(hào)，設(shè)計(jì)適合腦磁信號(hào)編碼的新方法，將復(fù)雜的腦磁信號(hào)進(jìn)行分解，挖掘這些信號(hào)的主要成分，作為腦運(yùn)動(dòng)模式的類別信息。腦信號(hào)的識(shí)別問(wèn)題，又是腦機(jī)接口中的關(guān)鍵所在。由于傳統(tǒng)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方法對(duì)腦磁信號(hào)進(jìn)行分類。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(guò)程中，由于持續(xù)時(shí)間較長(zhǎng)，數(shù)據(jù)的穩(wěn)定性相對(duì)變差，如果能減少測(cè)量次數(shù)，這將有利于腦機(jī)接口的在線應(yīng)用。在閱讀文獻(xiàn)過(guò)程中，發(fā)現(xiàn)對(duì)不同的測(cè)試者，同一算法的識(shí)別率差別較大，即算法的通用性差。對(duì)引起這一問(wèn)題的原因進(jìn)行初步探索。重點(diǎn)解決的關(guān)鍵問(wèn)題腦磁去噪較好的濾波算法有助于腦電信號(hào)的特征提取。目前，常用的濾波方法可以分為兩大類，一是頻域?yàn)V波，即提取特定頻率的腦電信號(hào)來(lái)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，找出差別最大的兩個(gè)或多個(gè)通道，提取這些通道的特征。而對(duì)于腦磁信號(hào)來(lái)說(shuō)，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)的較好效果，將這一算法應(yīng)用到了腦磁信號(hào)去噪過(guò)程中。特征提取如何提取較好的腦電模式是BCI系統(tǒng)的關(guān)鍵所在。目前常用的特征提取方法有時(shí)域特征提取和頻域特征提取，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)的特征提取算法，將經(jīng)驗(yàn)?zāi)B(tài)分解方法應(yīng)用到腦機(jī)接口中，用自回歸模型提取特征。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)行特征提取算法的研究。(3)腦磁信號(hào)的識(shí)別BCI分類中常見(jiàn)觀點(diǎn)是非線性分類器嚴(yán)重過(guò)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)處理的特征提取和線性分類，識(shí)別率一直難于提高；而采用信號(hào)處理的特征提取和非線性分類，效果不如線性分類器。在目前還沒(méi)有合適的信號(hào)特征提取方法的情況下，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，為了解決這一問(wèn)題，提出了一種基于半監(jiān)督的模糊聚類方法。3?預(yù)期成果將基于自回歸模型的無(wú)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，取得了較好的去噪效果，為特征提取和分類提供了有利的保證。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)降維的方法將腦磁信號(hào)從高維降到三維。實(shí)驗(yàn)結(jié)果表明，這兩種算法取得了較好的識(shí)別率。提出了一種基于半監(jiān)督的聚類算法，這將有利于減少訓(xùn)練數(shù)據(jù)的測(cè)量次數(shù)。在國(guó)內(nèi)重要學(xué)術(shù)期刊發(fā)表論文2-3篇。三、擬采用的研究方法、技術(shù)路線、試驗(yàn)方案及可行性分析：1?擬采用的研究方法和技術(shù)路線研究并討論無(wú)味卡爾曼濾波如何在腦機(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)行改進(jìn)。其中改進(jìn)的濾波算法包括擴(kuò)展卡爾曼濾波(EKF)和無(wú)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，如何建立狀態(tài)方程和觀測(cè)方程，成為問(wèn)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)算結(jié)果作為系統(tǒng)的觀測(cè)方程。針對(duì)目前沒(méi)有明確的AR模型參數(shù)確定的理論，在這里采取實(shí)驗(yàn)的方法，即將階數(shù)從1?15分別進(jìn)行了實(shí)驗(yàn)，從而選擇較好的模型階數(shù)。針對(duì)腦磁信號(hào)的非線性和非高斯性的特征提取算法的研究在對(duì)傳統(tǒng)腦機(jī)接口特征提取算法分析研究的基礎(chǔ)上，主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，首先選用了普通的非線性方法，自適應(yīng)自回歸模型(AAR)，高階譜的AR模型，驗(yàn)證其實(shí)驗(yàn)結(jié)果是否相對(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)傳統(tǒng)的特征提取算法進(jìn)行了改進(jìn)，將經(jīng)驗(yàn)?zāi)B(tài)分解方法(EMD)方法應(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模型提取特征，分別對(duì)AR模型的階數(shù)從1?15做了實(shí)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，并用線性判別分析(LDA)進(jìn)行了改進(jìn)，以低維的數(shù)據(jù)作為腦磁信號(hào)的特征，觀看算法的識(shí)別率。設(shè)計(jì)改進(jìn)的半監(jiān)督聚類算法在腦機(jī)接口系統(tǒng)中，常用的分類方法都是基于線性的分類算法。針對(duì)于腦磁信號(hào)的非線性特征，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(jiǎn)單算法，操作簡(jiǎn)單，改進(jìn)空間大。分別實(shí)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，提出了一種改進(jìn)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，從而增加算法的適用性。2?實(shí)驗(yàn)方案首先閱讀大量的資料，了解腦磁信號(hào)的特征，以及處理過(guò)程的細(xì)節(jié)，必要的算法進(jìn)行重現(xiàn)，以檢驗(yàn)理解的正確性和合理性。針對(duì)不同的問(wèn)題，先從簡(jiǎn)單的算法入手，在對(duì)簡(jiǎn)單的算法的仿真過(guò)程中發(fā)現(xiàn)其不足，對(duì)其進(jìn)行改進(jìn)。對(duì)同一個(gè)問(wèn)題，首先閱讀關(guān)于這一問(wèn)題的相關(guān)文獻(xiàn)，得到這一算法的優(yōu)缺點(diǎn)，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)行多角度的思考，驗(yàn)證算法的可行性。如果在多角度的仿真過(guò)程中，沒(méi)有達(dá)到預(yù)期的效果，換一個(gè)算法對(duì)其進(jìn)行試驗(yàn)。4.可行性分析知識(shí)儲(chǔ)備：通過(guò)對(duì)研究生期間專業(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)有了較為深入的了解，其次通過(guò)對(duì)大量相關(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。研究?jī)?nèi)容和技術(shù)路線的合理性：本課題的研究?jī)?nèi)容是在前人已有研究基礎(chǔ)上進(jìn)行了改進(jìn)，并提出新的思路和方法，同時(shí)，腦磁去噪，特征提取以及分類識(shí)別等問(wèn)題在腦機(jī)接口領(lǐng)域已有較為成熟研