论文部分内容阅读
脑-机接口(Brain Computer Interface,BCI)是一种通过人的大脑实现与计算机或者外部电子设备进行交流和沟通的技术。BCI系统通过对大脑思维活动的时候产生的生物信号进行采集和分析进而来判断大脑的意识,然后做出决策来控制外部设备。脑机接口技术的出现不仅对丧失运动能力的残疾人、中风偏瘫病人带来巨大帮助,使他们能够大大提高生活质量,同时脑机接口技术在军事、娱乐等多领域的应用也为未来的人工智能领域提供新的方法。传统的BCI技术大多都是基于单一脑电信号的分析,且存在去噪、特征提取和分类效果差的问题,针对以上几点进行改进,本文主要做的研究工作有:(1)面向基于脑电信号(EEG)和近红外信号(f NIRS)的多模态信号的脑机接口,根据EEG和f NIRS信号的特点和采集要求,设计联合采集的方式,并设计合适的实验范式进行数据采集。针对EEG信号的去噪分析,本文采用改进的小波阈值和集合经验模态分解(EEMD)结合的方法来对EEG信号进行去噪处理,通过与传统的去噪方法和单一去噪法做对比,证明了该方法去噪后的信号具有更高的信噪比。对于f NIRS信号则采用带通滤波处理,然后根据郎伯-比尔定律(Lambert-Beer law)计算大脑相应组织中含氧血红蛋白和脱氧血红蛋白的含量。(2)采用共空间模式算法(CSP)和正则化共空间模式(R-CSP)算法对f NIRS信号的特征分类做对比,确定本文采用基于R-CSP的特征提取算法,并在传统的单一脑电信号特征的分类基础上,决定通过串行融合的方法来实现不同模态信号的特征融合。(3)针对传统支持向量机(SVM)在惩罚参数和核参数的选取上的问题,本文提出采用人工鱼群算法(AFSA)对SVM的两个参数进行优化搜索,然后将优化后的SVM分类器对运动想象信号的特征进行分类,并与传统的分类器做实验分析对比,体现了本文算法的优越性。(4)最后,实验采用CSP算法分别提取运动想象信号的EEG、f NIRS特征,进行分类,然后将EEG和f NIRS的特征融合到一起进行分类对比,实验结果表明两种模态的信号特征融合后的分类效果更佳。