学位论文 > 优秀研究生学位论文题录展示

脑电图信号识别技术在智能假肢领域中的应用研究

作　者: 郭宏博
导　师: 王斐
学　校: 东北大学
专　业: 模式识别与智能系统
关键词: 智能假肢脑机接口 alpha波阻断运动想象视觉诱发
分类号: TP391.41
类　型: 硕士论文
年　份: 2012年
下　载: 9次
引　用: 0次
阅　读: 论文下载

内容摘要

脑-机接口(Brain-computer Interface, BCI),是不依赖于人体外周神经和肌肉的信息传输通道,它提出了一种与外界环境通讯的新方法。基于脑电图信号(Electroencephalogram, EEG)的BCI系统具有成本低、操作方便、对大脑无损伤等优点,是当前脑-机接口研究的主要方向。BCI的研究有明确的控制应用背景,因此,对于开发连接和控制下肢机械腿的BCI具有十分重要的现实意义。本文分别以基于稳态视觉诱发电位的BCI系统、基于alpha波阻断的BCI系统和基于运动想象的BCI系统分别为研究对象,对这三个方向进行了深入的研究和讨论。其中,针对稳态视觉诱发电位,本文创新性的利用独立成分分析(Independent components analysis, ICA)算法、小波分析(Wavelet Analysis)和快速傅里叶变换(Fast Fourier Transform, FFT)进行研究,并设计了较时分编码、频分编码更为有效的相频编码方式,得到了更为有效的编码结果。对于alpha波阻断的BCI系统,利用巴特沃斯和小波分析进行去噪以及特征提取,设计了带有反馈信息的alpha波阻断控制流程,通过控制流程,避免了alpha波阻断眼电、肌电和其他噪声成分产生的假阳性误操作,实现了对机械腿较高精度的控制。另外,在运动想象BCI控制部分,使用了自回归模型(AutoRegressive, AR),小波变换、经验模型分解(Empirical mode decomposition, EMD)以及EMD和AR模型相结合的方法进行特征提取,并设计了Fisher线性分类器(FLD)和支持向量机(Support Vector Machine, SVM)分类器,实现了运动想象的BCI系统设计,通过大量实验完成了脑电信号的预处理、特征提取及模式分类的等各个部分的研究,得到了最优的特征提取及分类效果,实现了运动想象BCI的设计,为脑-机接口应用于假肢领域做出了更进一步尝试。

全文目录

摘要  5-6
Abstract  6-11
第1章绪论  11-17
  1.1 BCI技术概述  11-12
    1.1.1 BCI技术背景简介  11
    1.1.2 BCI基本概念  11-12
    1.1.3 BCI系统的组成  12
  1.2 BCI的研究方向及其研究现状  12-14
  1.3 课题的研究意义  14-15
  1.4 本文的主要内容结构  15-17
第2章 BCI系统的研究背景  17-29
  2.1 引言  17
  2.2 BCI系统基本原理  17-20
    2.2.1 BCI接口的系统组成  17-19
    2.2.2 BCI系统的基本原理  19-20
  2.3 EEG的分类  20-27
    2.3.1 不同节律的自发EEG  20-21
    2.3.2 自发EEG的alpha节律  21-22
    2.3.3 不同状态的诱发EEG  22
    2.3.4 稳态视觉诱发电位  22-23
    2.3.5 运动想象EEG信号的生理基础  23-27
  2.4 本章小结  27-29
第3章基于SSVEP的BCI系统在虚拟现实中的应用  29-51
  3.1 引言  29
  3.2 SSVEP实验介绍  29-31
    3.2.1 SSVEP信号分析  29-30
    3.2.2 SSVEP实验描述  30-31
  3.3 基于ICA的EEG信号去噪  31-35
    3.3.1 ICA的定义及线性模型  31-34
    3.3.2 ICA判据  34
    3.3.3 EEG信号的ICA处理  34-35
  3.4 基于FFT和小波变换的SSVEP研究  35-46
    3.4.1 FFT变换原理  35-37
    3.4.2 小波变换介绍  37-41
    3.4.3 基于小波和FFT的SSVEP实验结果分析  41-46
  3.5 SSVEP的编码方式  46-48
    3.5.1 传统SSVEP编码方式  46-47
    3.5.2 相-频编码  47-48
  3.6 基于SSVEP的BCI系统虚拟现实设计  48-49
  3.7 本章小结  49-51
第4章基于Alpha阻断控制智能假肢的BCI系统设计  51-69
  4.1 引言  51
  4.2 Alpha波控制原理  51-52
  4.3 Emotiv设备介绍  52-53
    4.3.1 Emotiv设备及其数据介绍  52-53
    4.3.2 Emotiv下的Alpha波阻断  53
  4.4 Emotiv的EEG信号预处理  53-60
    4.4.1 巴特沃斯带通滤波设计  54-55
    4.4.2 基于小波变换的去噪方法  55-57
    4.4.3 基于小波变换的脑电节律分解  57-60
  4.5 Alpha波阻断的特征提取  60-62
  4.6 基于SimMechanics仿真的alpha波阻断控制  62-67
    4.6.1 SimMechanics简介  62-63
    4.6.2 基于SimMechanics的机械腿设计  63-64
    4.6.3 Alpha波阻断控制机械腿  64-67
  4.7 本章小结  67-69
第5章基于运动想象控制智能假肢的BCI系统设计  69-93
  5.1 数据描述及预处理  69-72
  5.2 EEG信号特征提取算法  72-82
    5.2.1 基于AR模型估计的特征提取  73-76
    5.2.2 基于小波变换的特征提取  76-78
    5.2.3 基于EMD的特征提取方法  78-82
  5.3 脑电分类器设计  82-90
    5.3.1 脑电分类器设计  82-83
    5.3.2 Fisher线性判别分析与设计  83-87
    5.3.3 支持向量机  87-90
  5.4 运动想象分类结果分析  90-91
  5.5 本章小结  91-93
第6章总结与展望  93-95
  6.1 结论  93-94
  6.2 问题与展望  94-95
参考文献  95-101
致谢  101

脑电图信号识别技术在智能假肢领域中的应用研究

内容摘要

全文目录

相似论文