bci中的运动想象脑电信号处理方法研究

bci中的运动想象脑电信号处理方法研究

ID:35171989

大小:5.08 MB

页数:79页

时间:2019-03-20

bci中的运动想象脑电信号处理方法研究_第1页
bci中的运动想象脑电信号处理方法研究_第2页
bci中的运动想象脑电信号处理方法研究_第3页
bci中的运动想象脑电信号处理方法研究_第4页
bci中的运动想象脑电信号处理方法研究_第5页
资源描述:

《bci中的运动想象脑电信号处理方法研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、硕士学位论文题目:BCI中的运动想象脑电信号处理方法研究研究生蔡慧专业控制工程指导教师马玉良副教授完成日期2016年3月杭州电子科技大学硕士学位论文BCI中的运动想象脑电信号处理方法研究研究生:蔡慧指导教师:马玉良副教授2016年3月DissertationSubmittedtoHangzhouDianziUniversityfortheDegreeofMasterStudyonProcessingAlgorithmsforMotorImageryEEGofBCICandidate:CaiHuiSupervisor:AssociateProf.MaYu-lian

2、gMarch,2016抗州电子科技大学学位论文原创性声明和使用授权说明原创性声明:所呈交的学位论文本人郑重声明,是本人在导师的指导下,独立进行研究工作所取得的成果。除文中己经注明引用的内容外,本论文不含任何其他个人或集体己经发表或撰写过的作品或成果。对本文的研巧做出重要贡献的个人和集。体,均己在文中W明确方式标明一申请学位论文与资料若有不实之处,本人承担切相关责任。论文作者签名;日期:从年月(?日《^/学位论文使用授权说明目本人完全了解杭州电予科技大学关于保留和使用学位论文的规定,P:研究生在校攻读学位期间论文工作的知

3、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W公布论文的全部或部分内容,可允许采用影印、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:赛寡日期:年如日/口指导教师签名:曰期;24年^5。曰/杭州电子科技大学硕士学位论文摘要脑-机接口(BrainComputerInterface,BCI)是指绕过传统的人体肌肉组织和外周神经等途径建立一个人脑与外部设备直接进行信息交流与控制的新型通道的系

4、统,是一种基于脑电信号(Electroencephalogram,EEG)的人机交互方式。基于运动想象脑电信号的BCI系统就是将想象不同肢体运动所产生的脑电信号作为输入信号,通过分析处理进行判断生成相应的控制命令操控外部设备。本文针对运动想象脑电信号的特点,研究分析了两类运动想象脑电信号的消噪、特征提取与优化及特征分类等处理过程。本文的工作内容及创新点如下:(1)为了滤除脑电信号中的干扰噪声,提出了一种将集合经验模态分解(EnsembleEmpiricalModeDecomposition,EEMD)与改进小波阈值法相结合的脑电消噪方法。改进小波阈值法是在传统小

5、波阈值的基础上采用了新的阈值选取规则和阈值函数。首先将EEG进行EEMD分解,由于分解后噪声大多分布在前几个高频分量中,所以接下来只选取前几个高频分量进行改进小波阈值处理,最后将处理后的分量与未处理的低频分量进行重构得到消噪后的信号。该消噪算法可以很好地消除脑电信号中的噪声并保留大部分有用信息,为后续处理奠定了很好的基础。(2)运动想象脑电信号具有时频空三域信息。针对单一的特征提取方法无法提取出能全面反映信号特点的特征的不足,本文选用能提取频域信息的经验模态分解(EmpiricalModeDecomposition,EMD)和小波包分解分别与可提取空域信息的共空

6、间模式(CommonSpatialPattern,CSP)相结合进行特征提取。两种结合的方法都能很好地提取EEG的多域特征,有利于后续的分类识别。(3)考虑到不同个体产生的运动想象脑电信号具有差异性,针对多通道EEG数据提出了通过计算不同通道两类想象任务的平均能量差来进行通道选择。该方法在保证了有用数据尽可能多地被处理的同时上减少了需要处理的通道数,提高了效率。另外,鉴于提取的特征可能对分类的作用不大甚至有的还有干扰,提出了基于决策树的特征选择方法。通过决策树的构建可以找出对分类重要性高的特征,从而同时提高了分类效果和分类效率。(4)采用以径向基核函数建模的支持

7、向量机(SupportVectorMachine,SVM)作为分类器进行分类,分别采用交叉验证(CrossValidation,CV)算法和遗传算法(GeneticAlgorithm,GA)对惩罚因子C和核参数进行寻优,优化SVM性能。通过实验仿真表明这两种方法改进SVM都可得到不错的分类效果。将两者I杭州电子科技大学硕士学位论文对比可发现前者的分类效果更好,而后者的分类效率更高。(5)分别选用了模拟脑电数据、2003年BCI竞赛的数据集Ⅲ和2008年BCI竞赛的数据集Ⅰ作为仿真数据进行实验。实验结果可证明本文研究的算法有效,并在一定程度上还对比了不同特征提取

8、和分类算法的优劣。关键词

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。