论文部分内容阅读
随着社会智能化需求的不断演进,脑-机接口的应用范围已不再局限于医疗临床辅助康复领域,更是扩展到工业,军事乃至生活的方方面面,为脑-机交互甚至人工智能领域开辟了全新局面。但由于人的脑电信号(Electroencephalogram,EEG)的非线性和非平稳等特点使其难以被解析,处理结果也依据不同受试者的特异性而表现得不稳定。基于此,为了提升运动想象脑电模式识别的精度和可靠性,本文针对二类和四类脑电任务设计了两种基于运动想象脑电模式识别的方法。1.对于二分类脑电识别任务,首先,利用可调Q因子小波变换(Tunable Q-factor Wavelet Transform,TQWT)方法对EEG进行分解,得到信号的子频带便于后续特征计算;其次,为了模拟在线信号处理环境,对运动想象EEG进行加窗处理,将小波系数能量和自回归模型(Autoregressive model,AR)作为时-频特征,分形维数作为非线性特征;最后通过线性判别分析(Linear Discriminant Analysis,LDA)分类器来对脑电特征进行分类,采用识别率和互信息作为分类器评价指标。使用BCI2003和BCI2005竞赛数据对左右手两类运动想象脑电分类任务的脑电信号进行识别,实验结果得出最高识别率88.11%,最大互信息0.95。高于近期使用相同数据集的其他文献结果。2.对于四分类脑电识别任务,首先,为了找到每名受试者不同的ERD/ERS表现最佳时间,将脑电信号进行滑动窗处理,随后利用互相关(Cross-Correlation,CC)方法采用“一对其余”的策略对EEG计算互相关序列得到样本特征,为了在降低特征维度的同时保留序列的特性,使用统计学特征均值,中位数,众数,标准差,最大值和最小值对序列特征降维,组成特征向量;最后,分别用多类线性判别(Multiple Discriminant Analysis,MDA)、朴素贝叶斯(Na?ve Bayes,NB)、支持向量机(Support Vector Machines,SVM)、和决策树(Decision Trees,DT)四种分类器对脑电特征进行分类,采用识别率和kappa系数作为分类器评价指标。使用BCI2008竞赛数据对左手/右手/双脚/舌四类运动想象脑电分类任务的脑电信号进行识别,实验结果得出最高识别率86.6%,最高kappa系数0.87。为运动想象脑电任务在线分类应用提供了可能性。综上所述,本文不仅针对经典的二分类脑电识别任务进行了算法设计,并取得了可信的分类结果,另外,考虑到分类算法在实际应用中的可拓展性,还设计了四分类脑电识别任务的模式识别算法,此算法在理论上完全可以拓展到多分类脑电识别任务中,为多任务BCI系统的开发提供了解决思路。