基于运动想象的脑电信号特征提取与分类方法研究

发布时间：2017-06-20 09:19

  本文关键词：基于运动想象的脑电信号特征提取与分类方法研究，，由笔耕文化传播整理发布。

【摘要】：脑-机接口(Brain-Computer Interface, BCI)作为一门交叉性学科,涵盖了生物医学、神经科学以及计算机科学等,已成为脑科学研究热点。在BCI研究中,脑电信号(Electroencephalogram, EEG)与设备可控信号之间的转换成为关键,需借助脑电信号处理方法提取有效信号,进而实现人机交互。然而,脑电信号的非平稳非线性特征,给特征信号提取带来极大挑战。目前,虽有多种提取方法,但都存在提取精度或效率问题,难以反映信号全局特征。针对上述问题,本文提出了基于LMD+SampEn的脑电信号特征提取框架,先利用仿真信号验证本方法的可行性,并在BCI 2003和BCI 2005两个真实数据集上进行实验,再次表明局部均值分解(Local Mean Decomposition, LMD)结合样本熵(Sample Entropy)算法在脑电信号特征提取中的优势。具体来说,本文主要完成了以下工作：1.基本理论研究分析脑-机接口的结构与类型,以及脑电信号基本特性,指出事件相关去同步(Event-Related Desynchronization, ERD)和事件相关同步(Event-Related Synchronization, ERS)在脑电信号中的应用,并为后续脑电信号以及仿真信号的分析提供依据。2.基于小波包分解的脑电信号提取比较小波变换和小波包分解方法,指出小波包分解可解决小波变换中无法分解高频信号的不足,并可自适应选择相应频带。将小波包系数相对能量和相对偏离度作为特征属性实现脑电数据特征提取。3.基于LMD+SampEn的脑电信号特征提取分析经验模态分解(Empirical Mode Decomposition, EMD)、总体经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)以及LMD在信号提取中的特点,并选取仿真信号进行验证发现EEMD较EMD在模态混叠以及端点效应等方面有了明显改进,但执行效率较低,而LMD算法可以有效改善上述问题,LMD+SampEn可以进一步提高提取精度。4.分类方法研究在上述特征提取的基础上,本文选用决策树、朴素贝叶斯以及支持向量机分类算法对左右想象信号进行识别。并采用准确率、召回率以及AUC值对分类效果进行评估,发现LMD+SampEn的提取效果最佳,进而证明了该方法用于区分运动想象脑电信号的可行性,为脑电信号的特征提取与分类提供了一种新的解决方案。
【关键词】：脑-机接口 特征提取 局部均值分解 运动想象
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R318;TN911.7
【目录】：

• 摘要3-5
• ABSTRACT5-11
• 第一章 绪论11-19
• 1.1 课题研究背景及意义11
• 1.2 脑-机接口基础知识11-13
• 1.2.1 脑-机接口的概念和结构11-13
• 1.2.2 脑-机接口的类型及特点13
• 1.3 脑-机接口研究现状和存在问题13-16
• 1.3.1 研究现状13-15
• 1.3.2 存在问题15-16
• 1.4 本文研究目的与主要研究内容16-17
• 1.4.1 研究目的16-17
• 1.4.2 研究内容17
• 1.5 论文组织结构17-19
• 第二章 脑电信号研究基础19-25
• 2.1 脑电信号采集19
• 2.2 脑电信号的特性19-22
• 2.2.1 脑电信号分类19-20
• 2.2.2 脑电信号特点20-21
• 2.2.3 事件相关同步和去同步特点21-22
• 2.3 脑电信号分析方法22-24
• 2.3.1 时域分析22
• 2.3.2 频域分析22
• 2.3.3 时频分析22-23
• 2.3.4 非线性动力学23
• 2.3.5 人工神经网络23-24
• 2.4 本章小结24-25
• 第三章 基于WPD的EEG信号特征提取25-32
• 3.1 小波分析理论25-27
• 3.1.1 小波变换25-26
• 3.1.2 小波包分解26-27
• 3.2 脑电想象信号特征提取27-31
• 3.2.1 数据来源27
• 3.2.2 小波包系数相对能量27-30
• 3.2.3 相对偏离度30-31
• 3.3 本章小结31-32
• 第四章 基于LMD-SampEn的EEG信号特征提取32-50
• 4.1 基本理论介绍32-37
• 4.1.1 经验模态分解(EMD)32-34
• 4.1.2 总体经验模态分解(EEMD)34-36
• 4.1.3 局部均值分解(LMD)36-37
• 4.2 仿真信号模拟37-40
• 4.3 EMD、EEMD、LMD在脑电信号中的应用40-43
• 4.3.1 数据来源40-41
• 4.3.2 结果分析41-43
• 4.4 样本熵理论43-46
• 4.4.1 近似熵43-45
• 4.4.2 样本熵算法45-46
• 4.5 特征提取46-47
• 4.5.1 PF分量选择46
• 4.5.2 特征时间选择46-47
• 4.6 实验及结果分析47-49
• 4.7 本章小结49-50
• 第五章 脑电信号分类结果及分析50-57
• 5.1 分类算法理论基础50-54
• 5.1.1 决策树50-51
• 5.1.2 朴素贝叶斯51-52
• 5.1.3 支持向量机52-54
• 5.2 评价指标54
• 5.3 分类及分析54-56
• 5.4 本章小结56-57
• 第六章 总结与展望57-59
• 6.1 总结57-58
• 6.2 展望58-59
• 参考文献59-65
• 致谢65-66
• 攻读学位期间发表的学术论文66

【参考文献】

中国期刊全文数据库 前10条

1 温冰冰;谭程豪;;ICA与小波去噪相结合提取听觉诱发电位研究[J];电子世界;2015年13期

2 高伊蒙;朱守林;高明星;戚春华;杨锋;;静息睁闭眼状态脑电信号特征分析[J];森林工程;2015年02期

3 杨超;肖文香;陈真诚;王冬翠;陈刚;田树香;罗邵辉;;基于样本熵算法的抑郁症患者脑电特征分析[J];桂林电子科技大学学报;2014年05期

4 杨鹏圆;李海芳;陈东伟;;Hilbert-Huang变换在情感脑电特征提取中的应用[J];计算机工程与设计;2014年07期

5 李营;吕兆承;;基于EEMD算法的癫痫脑电信号识别[J];重庆工商大学学报(自然科学版);2014年05期

6 李勃;;脑机接口技术研究综述[J];数字通信;2013年04期

7 王斐;杨广达;张丹;赵姝颖;;脑机接口在机器人控制中的应用研究现状[J];机器人技术与应用;2012年06期

8 颜世玉;刘冲;赵海滨;王宏;;基于小波包分解的意识脑电特征提取[J];仪器仪表学报;2012年08期

9 朱晓军;樊刘娟;吕士钦;余雪丽;;LMD方法在脑电信号处理中的应用研究[J];计算机科学;2012年02期

10 郑常宝;段晓波;李晓明;;用Matlab小波包求功率频带分解规律[J];电测与仪表;2010年06期

中国博士学位论文全文数据库 前2条

1 王婷;EMD算法研究及其在信号去噪中的应用[D];哈尔滨工程大学;2010年

2 王磊;基于运动想象的脑电信号分类与脑机接口技术研究[D];河北工业大学;2009年

  本文关键词：基于运动想象的脑电信号特征提取与分类方法研究，由笔耕文化传播整理发布。

本文编号：465178