论文部分内容阅读
EEG(Electroencephalogram,EEG)技术的迅速发展为运动想象(Motor Imagery,MI)在脑-机接口(Brain-computer Interfaces,BCI)的广泛应用开拓了空间。与诱发的EEG信号不同,运动想象EEG是一种内源性自发信号,即只需受试者用意念进行想象而无需要外界的刺激。并且由于这种技术简单、灵活、无创等特点,应用场景多,不仅可以用于康复理疗,也可以用于休闲娱乐等方面。本文针对多任务运动想象分类精度低、泛化性能差的问题,采用了一种创新的方法,在脑电源成像(EEG Source Imaging,ESI)的基础上,将侦察机(Scout)和卷积神经网络(Convolutional Neural Networks,CNNs)结合起来,对分类问题进行了优化。本文首先需要对脑电信号进行预处理来提高信噪比,包括了工频干扰和眼电伪迹,分别采用了陷波滤波器和独立成分分析(Independent Component Analysis,ICA)。采用带通滤波器带通8～30Hz,只关注运动想象任务相关的频率带。然后考虑到脑电仪测量的数据存在失真,不够直观这一实际情况,提出采用ESI技术将传感器域的数据转换到源域,就是将采集的原始数据投影到大脑皮层。采用边界元素法(Boundary Element Method,BEM)创建头模型,采用权重最小规范范数成像(weighted minimum norm estimation,WMNE)解决脑电波逆问题。在没有 MRI(Magnetic Resonance Imaging,MRI)数据的情况下,使用高分辨率高质量的Colin27头模型。其次运动皮质层与运动想象密切相关,从运动皮质层选出本文研究的运动想象任务最感兴趣的区域。根据Penfield运动侏儒,运动皮质层的不同区域对应着不同的肢体运动,在运动皮质层创建10个侦察机,每个侦察机包含40个源,保证侦察机的大小相等。用Morlet小波对侦察机内源的时间序列进行时频分析(Joint Time Frequency Analysis,JTFA)。卷积神经网络在(CNN)在图像处理方面应用广泛,表现优异。由于时频图是一种伪彩色图像,提出用卷积神经网络来分类。时频图作为卷积神经网络的输入,输出为4类可能的概率。分类结果表明,本文提出的方法与其他的运动想象任务分类结果相比,分类精度增加了 14.4%。同时,在源成像的基础上将侦察机和卷积神经网络结合起来应用到脑电信号的分类当中,也为处理高维脑电信号的分类问题提供了一个新的思路。