(信号与信息处理专业论文)基于脑电的运动想象任务识别及实验研究.pdf_第1页
(信号与信息处理专业论文)基于脑电的运动想象任务识别及实验研究.pdf_第2页
(信号与信息处理专业论文)基于脑电的运动想象任务识别及实验研究.pdf_第3页
(信号与信息处理专业论文)基于脑电的运动想象任务识别及实验研究.pdf_第4页
(信号与信息处理专业论文)基于脑电的运动想象任务识别及实验研究.pdf_第5页
已阅读5页,还剩78页未读, 继续免费阅读

(信号与信息处理专业论文)基于脑电的运动想象任务识别及实验研究.pdf.pdf 免费下载

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

安徽大学硕士学位论文 摘要 i 摘摘 要要 基于脑电(eeg)的脑机接口(bci)是在人脑和计算机或其它电子设备之间建 立不依赖于常规大脑信息输出通路(外周神经和肌肉组织)的全新对外信息交流 和控制技术。 及时有效地提取和识别与运动想象相关的脑电模式可以帮助严重瘫 痪病人控制光标或辅助运动设备以替代其受损的运动功能, 建立一种与外界交流 沟通的新途径。 脑机接口技术是一种涉及神经科学、信号检测、信号处理、模式识别等多学 科的交叉技术。一个 bci 系统是由信号采集、特征提取、分类算法、命令输出 等单元组成。其中特征提取和分类算法是其最为重要的研究内容。想象左右手运 动和实际做这个运动,会以同样的方式改变大脑主要感觉运动区域的神经活动, 引起脑电相关频率成分的特征变化,如事件相关同步/去同步。依据这一生理现 象, 及时地提取和识别这些与运动想象相关的脑电特征可以帮助我们有效地分析 人脑的意识。 本文主要对人脑进行左右手运动想象的脑电模式进行识别, 属于两类任务分 类,我们引入模式识别技术 lda 算法,以 eeg(c3,c4)两个通道的 节律能量 作为特征向量,对左右手运动想象脑电模式进行识别。在研究左右手运动想象脑 电的基础上,本文对多通道的四类运动想象脑电进行了研究。提出了采用表面 laplacian 对多通道脑电进行预处理,从而消除各导联之间的相关性,提高信号 的信噪比。然后使用基于独立分量分析的 csp(common spatial patterns)方法,对 四类运动想象任务的脑电信号进行特征提取,并应用设计的 bp 神经网络和支持 向量机对提取的特征数据进行了分类。 对所研究的方法进行了理论分析之后,为检验这些方法的有效性,首先对 2003年和2005年脑机接口国际竞赛的标准数据进行了分析处理来初步验证, 然后 依据建立的实验系统,设计实验,并对实验数据进行分析处理。本论文分别设计 了基于两类运动想象任务(想象左手拍篮球,想象右手拍篮球)和基于四类运动想 象任务(想象左手拍篮球,想象右手拍篮球,想象右脚踩刹车,想象吐舌头)的实 验。以分类正确率为指标,结果表明研究的方法能够取得很好的效果。 本文所做的研究将为下一步建立基于自发脑电的脑机接口实用系统奠定基 安徽大学硕士学位论文 基于脑电的运动想象任务识别及实验研究 ii 础。由于实验数据的局限性,研究的模式识别方法的鲁棒性有待进一步验证,基 于自发脑电的脑机接口离实际应用还有很大的距离。在论文的最后,对整个论文 的工作和研究成果进行了总结,并提出了下一步研究内容。 关键词关键词:脑机接口;脑电信号;共同空间模式;神经网络;支持向量机 安徽大学硕士学位论文 abstract iii abstract the eeg-based brain-computer interface (bci) is the technology for external information exchange and control. bci is established between human brain and computers or other hi-technology equipments and it is independent of routine brain information output way. substituting the damaged sport function for severe paralysis patients, bci can help them to control the cursor or the assistant athletic equipments to build the new communication approaches with the external environment, if we can classify event-related eeg patterns effectively. brain-computer interface technology is an intercross technology, which integrates the neurology, signal collection, signal processing, pattern recognition and other more relevant techniques. a typical bci system is consisted of several parts, such as signal acquisition, feature extraction, classification algorithm, command output and so on. feature extraction and classification algorithms are the most important parts. left and right hand movement imagery can modify neural activities in the primary sensor motor areas in a similar way as observing with a real executed movement, and it leads to special changes of eeg components such as event-related desynchronization/synchronization (erd/ers). this paper focuses on the discrimination of left-hand and right-hand motor imagery eeg pattern, which belong to two-class classification task. lda algorithm in pattern recognition was introduced. we extract the energy of rhythm of two channels (c3,c4) as the feature vector, and classify the event-related eeg pattern during left and right hand motor imagery with the algorithm. we also study on the four-class motor imagery eeg based on the former research. at first surface laplacian was used to preprocess the multi-channel eeg data, to eliminate relativity among the channels, and to reinforce the snr of signal. then the ica(independent component analysis ) based csp (common spatial patterns) is used to extract the feature of eeg data. finally, we use the bp neural network and support vector machine(svm) to classify the feature data. 安徽大学硕士学位论文 基于脑电的运动想象任务识别及实验研究 iv the researched methods were analyzed theoretically and then the effectiveness of these methods was verified by experiments. firstly, the data of the bci competition 2003 and bci competition 2005 were analyzed with these methods. then the experiment data obtained from the designed experiments were analyzed. the dissertation designed the experiments are based on two motor imagery tasks (playing basketball using the left hand, playing basketball using the right hand)and four motor imagery tasks (playing basketball using the left hand, playing basketball using the right hand, braking using the right foot and tongue movements). the results show that the research methods effectively improved the classification accuracy. the discussion of these technologies provides a guideline for bci research. the studied pattern recognition methods provide important solutions to the realization of bci. in addition, this dissertation provides the basis for the on going study the research of robots controlled by human thoughts based on spontaneous eeg. however, the robustness of the researched methods needs to be further verified due to lack of more experiment data. it should be noted that bcis are based on spontaneous eeg, so there is a long way before it can be applied out of the laboratory. finally, conclusions of the dissertation were made and the future work was discussed. keywords: bci ; eeg ; common spatial patterns; neural network; svm 安徽大学硕士学位论文 目录 v 目目 录录 摘 要 . i abstract . iii 目 录 . v 第一章 绪论 . 1 1.1 脑机接口(bci)的发展背景 . 1 1.2 脑机接口的定义和构成 . 2 1.3 脑机接口研究现状 . 3 1.4 脑机接口存在的问题 . 6 1.5 本文主要研究内容及创新点 . 6 第二章 运动想象脑电信号处理 . 8 2.1 脑电信号的基本知识 . 8 2.1.1 脑电信号的产生机理及记录方法 . 8 2.1.2 脑电信号的特点 . 10 2.1.3 脑电信号的基本节律 . 11 2.2 预处理 . 12 2.2.1 表面 laplacian 运算 . 12 2.2.2 公共平均参考法 . 13 2.2.3 零相位数字滤波 . 13 2.3 脑电信号的时域分析方法 . 14 2.4 脑电的频域分析方法 . 15 2.4.1 经典谱估计 . 15 2.4.2 ar 谱估计 . 16 2.4.3 自适应自回归模型(aar) . 17 2.5 事件相关同步/去同步分析 . 18 2.6 空间域分析 . 19 2.7 小结 . 21 安徽大学硕士学位论文 基于脑电的运动想象任务识别及实验研究 vi 第三章 运动想象脑电的分类方法 . 22 3.1 分类基础知识 . 22 3.2 线性分类器(lda) . 23 3.3 人工神经网络 . 24 3.3.1 人工神经网络的特点 . 25 3.3.2 网络模型 . 25 3.3.3 bp 网络 . 26 3.3.4 bp 神经网络在四类运动想象脑电的分类中的应用 . 27 3.4 支持向量机 . 28 3.4.1 支持向量机的基本原理 . 28 3.4.2 支持向量机在运动想象脑电分类中的应用 . 31 3.5 小结 . 33 第四章 算法研究及结果分析 . 34 4.1 左右手运动想象任务分类 . 34 4.1.1 bci2003 竞赛数据及预处理 . 34 4.1.2 特征提取 . 37 4.1.3 分类结果 . 38 4.2 四类运动想象任务分类 . 40 4.2.1 bci2005 竞赛数据 . 40 4.2.2 数据预处理 . 40 4.2.3 csp 特征信号提取 . 42 4.2.4 分类 . 42 4.2.5 实验结果分析 . 43 4.3 小结 . 46 第五章 自主实验设计及结果 . 48 5.1 实验设计 . 48 5.1.1 脑电采集系统的结构 . 48 5.1.2 技术信息 . 50 5.1.3 实验前准备 . 50 安徽大学硕士学位论文 目录 vii 5.1.4 具体过程 . 51 5.2 实验数据预处理 . 51 5.2.1 眼电的双极变单极 . 52 5.2.2 伪迹的去除 . 52 5.3 实验数据的模式识别方法及结果 . 54 5.3.1 左右手运动想象 . 56 5.3.2 四类运动想象 . 60 5.3.3 实验结果分析 . 62 5.4 小结 . 65 第六章 总结与展望 . 66 6.1 总结 . 66 6.2 展望 . 67 参考文献 . 69 致谢 . 69 攻读学位期间发表的学术论文目录 . 70 安徽大学硕士学位论文 第一章 绪论 1 第一章第一章 绪论绪论 1.1 脑机接口(脑机接口(bci)的发展背景)的发展背景 1924 年德国精神病学家 hans berger 首次发现并记录到人脑有规律的电活动。 1933 年 berger 的研究得到了英国著名生理学家 e.d.adrian 等人的肯定,从此脑 电图得到迅速的发展,先后出现了多导联常规脑电图(自发脑电、诱发脑电)、睡 眠脑电图、动态脑电图、视频脑电图等检测方法1-3。从那以后的 70 年里,脑电 图主要用于临床上神经失调的诊断估计和实验室里脑功能的研究, 也有几项研究 讨论了它在治疗学上的意义。在此期间,人们也曾考虑它是否有另一种功能:即 从中解读人的思想和意图, 使得人们在与别人交流或者控制设备的时候直接通过 脑活动的方式进行,不需要通常的外周神经和肌肉通道。这种想法常常出现在科 幻小说和科幻电影里。然而基于 eeg 的对外信息交流在很长一段时间一直未受 到严肃关注,至少存在以下两方面的原因4-5。首先,由于 eeg 记录了大脑不同 部位神经细胞群的电活动,即应表现出大脑各部位的功能活动,所以理论上,人 的思维意识活动也应该在脑电中反映出来, 但是要通过脑电来探测和识别大脑的 主观意愿,却又几乎难以实现。这是因为 eeg 由大量神经元的活动电位构成, 而大脑有着复杂的电生理和空间几何特征,以及未知、多变的功能活动。要想在 这样一个复杂, 扭曲和多变的神经细胞群电活动环境中识别单独一条神经传导信 息或控制命令是一项相当困难的工作。其次,基于 eeg 的对外信息交流系统要 求能够对 eeg 进行实时的分析。有关的技术设备不仅造价昂贵,而且距实际应 用相距甚远,其有限的信息交流能力也难以引起人们太大的研究兴趣。 近年来的科技发展和社会进步已经改变了这一局面。首先,基础和临床的研 究已经对构成 eeg 的信号有了详细的了解。 对于 eeg 的主要的节律和各种不同 的诱发电位,发生的部位和机理以及它们与大脑的某一特定功能之间的联系,都 已经比较了解。大量的研究已经证实:eeg 信号跟实际的和想象中的运动以及 精神活动都是密切相关的。其次,信号处理技术和模式识别技术高速发展也为脑 机接口的研究提供了前提条件。 科学技术进步和社会发展极大地鼓励和推动了脑 机接口技术(brain-computer interface,bci )的研究和发展。bci 作为一种基于 安徽大学硕士学位论文 基于脑电的运动想象任务识别及实验研究 2 eeg 的对外信息交流系统,通过解读人的思想分辨人的意识,实现由思想对外 界的直接交流和控制, 可以为那些不能使用传统辅助设备的残疾患者提供一种新 的交流方式6-10。 1.2 脑机接口的定义和构成脑机接口的定义和构成 脑机接口(bci)是在人脑和计算机或其它电子设备之间建立不依赖于常规大 脑信息输出通路(外周神经和肌肉组织)的全新对外信息交流和控制技术。脑机接 口使用, 在头皮或皮层神经元记录的脑电活动, 并把它转化为对外界的控制信号。 通过脑机接口,人们可以直接通过大脑来表达想法或操纵设备,而不需要通过语 言和肢体的动作。与任何通信和控制系统一样,脑机接口是由输入、输出和将输 入转换成输出的翻译算法信息反馈三部分组成的6-8。图 1-1 给出了这几部分使 用者的相互关系。 1-1 bci 系统原理框图10-12 figure 1-1 schematic diagram of bcl system 安徽大学硕士学位论文 第一章 绪论 3 bci 的工作主要依靠两套自适应系统的相互作用,一个是使用者的大脑,它 产生并控制可以被 bci 系统检测的思维活动信息,如脑电信号;另一个是 bci 系统, 它识别思维活动的信息, 并归纳为具体控制命令, 从而表达使用者的意图, 实现用思想对外部设备的直接信息交流和控制。 1.3 脑机接口研究现状脑机接口研究现状 自从 1977 年 jacques vidal 发表第一篇关于 bci 技术文章以来,特别是近十 年来,bci 技术从以下几个信息交换技术的研究方向得到了迅速发展。 (1) 利用视觉诱发电位(visual evoked potential,vep) 在显示装置上显示多个选项,使用者注视希望选择的一项。通过对显示方式 进行处理,可以使人在注视不同选项时产生不同的脑电信号。能比较直接地得到 注视目标的方法是跟踪人的视线。但这种方法要求头部保持不动,实际应用中难 以做到。而基于脑电的 bci 没有对头部运动的限制。sutter 在 1992 实现了名为 脑反应界面的实时 bci 系统。显示器上 8 8 的符号矩阵按照一种伪随机二进制 序列(称为 m序列)进行红/绿色交替,使用者注视想要选择的符号,将测得的脑 电信号与事先记录的模板比较,就可以确定使用者注视的目标。使用者可利用该 系统操作字处理软件。cilliers 的工作使用一串 4 个灯。几种同时表达的刺激以 一些控制方式(强度、 模式、 颜色转换)快速改变, 受试者有安放在视觉皮层(枕部) 上方的电极,在这个位置来探测诱发电位 evoked potential (ep)的改变。四个闪烁 的 led 被安置在计算机屏幕四周边缘处,屏幕中是标准的四行键盘每行键均为 不同颜色,每个 led 和一种颜色相联系。注视一个 led 选择一个键行,这行键 被重新以四种颜色显示进行更细节的选择。 受试者可以在平均 3 次选择中选到一 个特定的键,所以当前的设置大约需要 15 秒。受试者经过短期训练,注视每个 led5 秒。 (2) 利用事件相关电位(event related potential,erp) 利用 p300 电位 p300 是 erp 的一种,其峰值大约出现在相关事件发生后的 300ms。相关事 件出现的概率越小,所引起的 p300 越显著,并在头部的顶骨区(中部或后部)最 为显著。当一个被施加有几种不同类型刺激组成的刺激时,测量出每一种刺激引 安徽大学硕士学位论文 基于脑电的运动想象任务识别及实验研究 4 起的 p300 的幅度, 可以发现那些很少出现的刺激引起的 p300 幅度要更大, 而这 种刺激正是要求受试者计数的, 或在此是使用者想选择的刺激。 1988 年, farwell 和 donchin 利用 p300 设计了一种虚拟打字机。一个 6 6 字符矩阵按行或按列闪 烁,顺序是随机的,则包含使用者想要输入字符的行或列发生闪烁就是相关事 件。求到引起 p300 幅度最大的行和列,则该行与该列交点上的字符就是要打印 的字符。 利用事件相关去同步(event related desynchronization,erd) pfunscheller 及其同事开发一种基于与 wolpaw 和 mcfarland 的方法相近方法 的系统。他们采用了集中在中央头皮区域上即感觉运动皮层上的多电极,观测 伴随着对特定的运动做准备所产生的 节律(清醒状态下,当人不进行感觉输入 的加工处理或产生运动输出时, 在感觉和运动皮层区域经常显示812hz的eeg 活动,当集中在感觉或运动皮层时,称这种慢波为 节律,而集中在视觉皮层时, 称为视觉 节律)和其它节律的幅度变化,这种特定频带节律的幅度与运动相关 的升高和降低, 分别被称作事件相关同步 (event-related synchronization , ers) 和去同步(event-related desynchronization,erd )。对每一个使用者,先用一个神 经网络去学习识别由特定的运动(例如,右手或左手运动,或握在一只手中的游 戏杆向右或向左运动)所引起的 ers/erd 模式, 最终识别只是想要做这些动作时 所产生的模式。再用 hibert 变换,将这些模式的关键特征提取出来,并用学习向 量量化(learning vector quantization,lvq 或 kohonen)神经网络将其分类。当神 经网络被训练 100200 次后,该系统就能够以相当高的准确率识别由特定运动 引起的 eeg 模式, 从而能够控制光标移动或其它外部设备。 例如, 一秒钟的 eeg 数据就能够预测用左手还是用右手的运动,准确率达 89。现在,研究者们正 在确定对应于连续动作的模式的稳定性, 以及研究提高这种模式识别的速率和准 确率的方法。 (3) 自发 eeg 进行动作训练 wo1paw 和 mcfarland 发现人能够学习利用自发 eeg 活动, 即不是由特别的 诱发刺激引起的活动,去控制外部仪器。他们重点训练 节律和相关的 eeg 分 量, 节律是由感觉运动皮层产生的、并在头部中心上记录到的电活动。受试者 学习使用 节律和/或其它 eeg 分量将一个位于显示屏中心的光标移动到周围 安徽大学硕士学位论文 第一章 绪论 5 的目标。将移动光标作为输出是因为它是客观的、易于实现和量化的,可以作为 各种康复仪器的原型, 而且可以用来操作鼠标驱动的程序。 在一维(1d)模式中, 目标位于屏幕边缘的顶部或底部,光标垂直移动。在二维(2d)模式中,目标可 能位于四周的任何地方(例如,四个角之一),光标既有垂直移动,也有水平移动。 通过在线的谱分析获得在头皮特定位置记录到的在特定频率范围内的 eeg,并 将其转化为光标移动。例如,在 1d 模式下,在一个脑半球的感觉运动皮层上 记录到的 812hz 的 节律的高幅度用来使光标向上移动,低幅度用来使光标 向下移动。将幅度转化为光标移动的函数是一个线性方程。其参数来自于对使用 者先前执行情况的评估。在 2d 模式下,一个方程控制垂直移动,另一个方程 控制水平移动。 大多数使用者经过 5 至 10 个阶段后都能够获得明显的控制能力; 经过更多的训练,他们就能够在 12s 内以高于或等于 90的准确率到达顶端 或底部的目标。对于两维控制,虽然很显著,但还不能达到这样高的准确率。现 在正在试图改善光标移动的准确率和速度,依靠定义可替代的和/或可增加的可 训练的 eeg 分量,或依靠改进将 eeg 控制转化为光标移动的算法。这项工作的 最终目标是实现像鼠标一样的光标移动,从而使这个基于 eeg 的大脑计算机 交互界面能够用来操作商用的鼠标驱动程序。 (4) 稳态 vep 的自调节 通过动作训练方法。mcmillan 和 calhoun 训练了一些自愿者能够控制由荧 光管以 13.25hz 闪光引起的稳态 vep 的幅度。放置在枕骨皮层上的电极测量出 幅度的变化,并用一个水平的光条和/或听觉的反馈声音反馈给使用者。幅度的 变化经过实时地分析转化为控制的输入。如果 vep 幅度在特定的阈值以上或以 下保持一定的时间, 就产生离散的控制输出, 这些输出可以用来控制许多种仪器。 经过大约 6 小时的训练,使用者基本上都能以高于 80的准确率命令一个飞行 模拟器向左或向右翻转。已经通过飞行模拟训练的使用者再经过 3-5 个阶段的训 练,就能够以 95的准确率控制一个神经肌肉控制器去控制膝盖的伸展。 基于脑电的 bci 研究也仅是刚刚起步, 离实际应用阶段尚差很远, 现有 bci 系统都处实验阶段,受试者也多系正常人,尚未在残疾人中推广试用。在辅助技 术的应用上,基于 eeg 的信息交换目前仅对不能使用传统辅助设备的人才有实 用价值,而它的推广应用还要依赖于其速度和准确度的切实改善13-15。 安徽大学硕士学位论文 基于脑电的运动想象任务识别及实验研究 6 1.4 脑机接口存在的问题脑机接口存在的问题 bci 技术的发展还处于起步阶段, 其未来的价值最终在于信息传输速率的提 高和一系列关键问题的解决。它们包括: (1) 关键技术:由于 bci 系统涉及多个学科,对整个系统所涉及的关键技术 缺乏详细的介绍,从而使得 bci 的设计缺乏总体指导。 (2) 速度:主要用信息传输率进行度量,目前的信息传输率为 5-25 位/分,相 对于实际通讯应用来讲,还很慢。 (3) 精度:目前基于自发脑电的 bci,两类思维任务的识别率接近 90%。四 类任务的识别率 70%左右,这样的识别性能为 bci 的实际应用展现出希望,但 精度指标有必要进一步提高。 (4) 自适应性:由于 eeg 信号是随机信号,即使同样的思维任务,同一个使 用者,信号也会随使用者的年龄、心情、动机、疲劳程度、思想集中程度、使用 策略、放大器噪声、环境噪声等的不同而不同,即 eeg 信号是时变的。另外, eeg 信号不仅随时间变化,而且个体差异性很大。这里的自适应性有两方面的 含义:一是随时间变化的自适应性,另一个是随个体变化的自适应性,就目前来 看,bci 的自适应性还比较差。 1.5 本文主要研究内容及创新点本文主要研究内容及创新点 本文提出了基于 节律能量为脑电特征的意识任务分类思想,对被试想象 左右手运动的脑电 节律能量(二阶矩)及其动态变化情况进行研究,二阶矩计算 简单,而且可在线计算,故可以认为,基于 节律能量为脑电特征的意识任务分 类在脑机接口的应用中有较高的实用价值。 本文主要对人脑进行左右手运动想象 的脑电模式进行识别,属于两类任务分类,我们引入模式识别技术中的 lda 算 法,以 eeg(c3,c4)两个通道的 节律能量作为特征向量,对左右手运动想象 脑电模式进行识别,实验结果表明,正确识别率可达 88.87%。 在研究左右手运动想象脑电的基础上, 本文对多通道的四类运动想象脑电进 行了研究。提出了采用表面laplacian对多通道脑电进行预处理,消除各导联之间 的相关性,提高信号的信噪比。实验结果证明表面laplacian对分类正确率的提高 安徽大学硕士学位论文 第一章 绪论 7 有极大的帮助。然后使用基于独立分量分析的共同空间特征法,对四类运动想象 任务的脑电信号进行特征提取。最后,应用设计的bp神经网络和支持向量机提 取的特征数据进行了分类,并对两种分类器的分类结果进行了分析比较,分类正 确

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论