運動想象BCI系統(tǒng)的信息累積算法研究.pdf

1、腦-機接口（brain-computerinterface，BCI）是一種不依賴由外周神經(jīng)與肌肉組成的正常的輸出通道的通信系統(tǒng)。BCI技術(shù)作為一種新型的人機交互手段，近年來已經(jīng)成為康復工程以及生物醫(yī)學工程等領(lǐng)域的研究熱點。對腦電(electroencephalogram，EEG)的正確分類是決定腦-機接口性能的關(guān)鍵因素，因此研究基于腦電的分類識別算法具有重要的現(xiàn)實意義。
　　目前，BCI系統(tǒng)中的分類算法大多數(shù)是對特定時間段的腦電信

2、號特征進行分類，雖然在統(tǒng)計分析上使用的時間段可能具有最好的區(qū)分度，但對于單次觀測信號，卻忽略了相鄰時刻或以前時刻的有用EEG信息。EEG是非平穩(wěn)信號，若只考慮某一時間段的EEG信息，則無法充分利用單次觀測信號的全部信息，也難以實現(xiàn)準確率與判決時間的折衷。針對這一現(xiàn)狀，本文對基于信息累積分類算法在BCI系統(tǒng)中的應用進行了深入地研究。
　　首先，基于左右手運動想象EEG在初級感覺運動區(qū)所表現(xiàn)出的事件相關(guān)去同步/同步的特性，對每位受試者

3、的數(shù)據(jù)進行頻譜分析?？紤]到個體的差異性及小波在非平穩(wěn)信號分析中的優(yōu)勢，采用Morlet小波提取頻帶能量作為分類特征。該方法能夠提取最優(yōu)頻帶能量，從而達到提高腦電信號分類準確度的作用
　　其次，基于信息累積思想對前人的經(jīng)典分類算法(LDA、SVM、Bayesian等)進行了擴展，實驗結(jié)果表明信息累積分類算法能得到更高的分類準確率、互信息及卡帕系數(shù)，但無法實現(xiàn)動態(tài)分類。為了解決這一問題，結(jié)合Morlet小波基特征提取方法，提出了一種基

4、于序貫似然比檢驗（sequentialprobabilityratiotesting，SPRT）的運動想象EEG動態(tài)分類算法。該方法在分類中無需預先固定樣本量，而是逐次取樣累積分類信息，可以實現(xiàn)準確率與分類時間的折中，有利于解決BCI的實時控制問題。實驗結(jié)果表明三個運動想象數(shù)據(jù)集共13位受試者的平均正確率達到82％以上，互信息和卡帕系數(shù)等指標也表明該方法能夠有效提高BCI系統(tǒng)的性能，具有較好的實用性。
　　最后，利用多類BCI競賽