脑电信号(Electroencephalogram,EEG)是一种伴随人类思维产生的生物电信号,是通过布置在头皮或颅内的电极记录下来的脑细胞群电活动。人体肢体运动都是由脑发出指令通过骨骼肌实现的。本文从脑神经科学的一些现象中得到启发,根据人的肢体动作与脑电信号活动的相关性关系,尝试用脑电信号对手部多模式动作进行识别。通过检测手部活动时的脑电信号,分析脑电信号——肢体动作之间的对应关系,得到假手的控制信息。目前,脑电信号的研究主要集中在利用辅助刺激控制假肢方面,这种方法识别率较高,但需要有大量外部设备装置,实施起来较困难。自发脑电控制假肢操作简单,实用性较强,但由于识别率较低,因此研究的人并不多。本文是从临床应用角度考虑,以相应的眼动行为做辅助对自发脑电控制手部上翻、下翻、握拳、展拳的方法进行研究,论文阶段所做的主要工作如下:(1)由于睁眼和闭眼的脑电信号在α节律频段的波形差别较大,进一步分析知,闭眼的脑电信号α节律频段的波形相对能量远大于睁眼在此节律频段的波形相对能量。基于此,在控制信号源的处理方式上,本文用眼动行为辅助来采集手部动作的脑电信号,用眼球上翻辅助手部上翻动作、眼球下翻辅助手部下翻动作、闭眼辅助握拳动作、睁眼辅助展拳动作。(2)在预处理方面,针对干扰源产生的噪声,本文采用二代小波μ律阈值方法对脑电信号进行消噪,实验分析表明,μ律阈值方法有比其它阈值方法更好的消噪效果。针对独立源产生的干扰,无法用小波消噪的方法滤除,为此,用盲信号分离FastICA算法进行处理。实验结果表明:二代小波μ律阈值法去除了脑电信号中大部分噪声,FastICA算法能成功分离独立源产生的干扰。(3)在特征提取阶段,本文采用混沌分析和小波包变换两种方法进行特征提取。选取脑电采集点C3,C4,P3,P4为对应手部动作的最佳对应点,并对这些通道采集的信号进行预处理。提取脑电信号混沌特征的两个重要参数:最大Lyapunov指数和关联维数,组成8维向量;在小波包特征分析中,提取脑电信号的4种特征节律波,分别计算提取的每种节律波能量占4种节律波能量之和的比值,组成16维向量,最后把两种方法提取的向量进行组合,最终得到每个动作的24维特征向量。(4)在模式识别阶段,本文采用“一对多”支持向量机(SVM)多类分类器,用先聚类后分类的二叉树多类算法对EEG的四种动作模式进行识别。实验结果表明:用眼动行为辅助采集的脑电信号能够有效地识别上翻、下翻、握拳、展拳四种手部动作,识别率达到83.7%,高于仅采用自发想象脑电采集或者用自发想象脑电+手部动作采集进行的识别率;用混沌分析结合小波包变换特征提取的方法其识别率高于采用单一方法特征提取后的识别率;用SVM分类器的识别效果优于采用BP、Elman、RBF神经网络识别的结果。