论文部分内容阅读
脑机接口(Brain-computer interface,BCI)是一种不依赖于人体外周神经和肌肉,在人脑与计算机等外部设备之间建立一条直接通路的控制技术。人们可以直接通过大脑活动来操作外部设备。这不仅为失去运动能力的残疾人与外界通信提供了可能,也为健康的人类提供了一种全新的通信方式。其中,基于视觉刺激的脑机接口由于其传输速率高、易于操作、训练时间短等优点而被广泛研究。本文从基于稳态视觉诱发电位(Steady-state visual evoked potential,SSVEP)的脑机接口和基于快速序列视觉呈现(Rapid Series Visual Presentation,RSVP)的脑机接口两个方面进行研究,主要工作包括实验方案的设计、脑电信号的处理以及实验系统的搭建。本文首先在现有SSVEP脑机接口的研究基础上,对传统的脑电信号识别算法进行改进,提出了基于滤波器组的似然比检验(Filter Bank Likelihood Ratio Test,FBLRT)算法,弥补了似然比检验(Likelihood Ratio Test,LRT)算法没有充分利用SSVEP信号谐波成分的缺点;其次,搭建了基于SSVEP-BCI的单词拼写系统,利用采样正弦编码的方法实现了单词拼写的刺激范式,采用并口发送标志位信息实现了数据的同步;然后,设计了两种不同的滤波器组,利用基于SSVEP-BCI的单词拼写系统采集离线数据并进行分析,根据实验结果选择了最优滤波器组及其子带个数;最后,分别通过离线实验和在线实验对比了本文提出的FBLRT算法与LRT和基于滤波器组的典型相关性分析(Filter Bank Canonical Correlation Analysis,FBCCA)的识别准确率和信息传输率(Information Transfer Rate,ITR),实验结果表明,FBLRT的性能明显优于其余两种算法:当刺激时间为1s时,其平均识别准确率为84.96%,ITR为160.01bits/min,最高ITR可以达到208.35 bits/min,大大提高了SSVEP-BCI系统的性能,促进了SSVEP-BCI的实际应用。同时,本文对基于RSVP-BCI的图像识别进行了研究。首先,将雷达卫星(SAR)图像分割成512*512像素的图片,设计了RSVP的实验范式,据此搭建了基于RSVP-BCI的目标识别系统;其次,介绍了基于小波分析的处理流程,对RSVP范式诱发的单试次脑电信号进行分析,并通过离线实验对比了线性判别分析(Linear Discriminant Analysis,LDA)和支持向量机(Support Vector Machine,SVM)这两种分类方法的性能,选择综合性能最优的算法进行在线实验;最后,利用基于RSVP-BCI的目标识别系统对基于小波分析的处理方法进行了在线测试,实验结果表明,该方法对图像分类的平均召回率达到84.38%,虚警率仅为14.11%,且平均AUC(Area Under Curve)达到0.9以上,验证了本系统的可行性。