頻率同步特征與SVM-HMM混合模型在腦-機接口中的應用研究.pdf

1、腦-機接口（Brain-ComputerInterface，BCI）是新的大腦與外界環(huán)境進行直接通信的通路。隨著各個基礎科學的共同發(fā)展，綜合了諸多學科的腦-機接口已經(jīng)從最初主要的醫(yī)療、康復等應用領域拓展到了軍事、交通、娛樂等新的領域。現(xiàn)在腦-機接口不僅能夠為殘障人士提供輔助，而且還能夠為正常人群提供一種新的娛樂、工作方式。基于腦-機接口這門綜合學科的重要研究價值以及腦-機接口在人類社會中的廣泛應用前景，美國、歐盟等世界發(fā)達國家和地區(qū)已經(jīng)

2、提出了多種大腦研究計劃。隨著這些大腦計劃的提出，腦-機接口正成為世界范圍內(nèi)的重要研究領域。
　　論文主要對基于運動想象的腦-機接口進行研究。在基于運動想象的腦-機接口中，特征提取和模式識別是最為關鍵的兩個部分。這兩個部分直接影響腦-機接口的性能，所以論文對這兩個部分進行了重點探討。
　　論文根據(jù)在腦電信號中廣泛應用的相位同步特征，衍生出了頻率同步特征的概念。由于大腦不同區(qū)域的活動變化體現(xiàn)出節(jié)律性，論文就期望通過直接利用這種節(jié)

3、律的變化來提取腦電信號的特征。論文根據(jù)鎖相值（PhaseLockingValue，PLV）的定義，定義了鎖頻值（FrequencyLockingValue，F(xiàn)LV），其中FLV包括互鎖頻值（Mutual-FrequencyLockingValue，MFLV）和自鎖頻值（Self-FrequencyLockingValue，SFLV）。論文將PLV與MFLV和SFLV應用到BCI競賽20082b數(shù)據(jù)集和自主采集的腦電信號中，并做了對比實驗

4、，實驗結果顯示新的頻率同步特征比相位同步特征更好地表達了大腦活動的變化，當MFLV和SFLV作為腦電信號特征時能夠獲得更好的分類正確率。
　　SVM（SupportVectorMachine，SVM）和HMM（HiddenMarkovModel，HMM）都以統(tǒng)計學習理論的概率模型為基礎。根據(jù)SVM的基本理論，SVM的最優(yōu)分類函數(shù)主要體現(xiàn)了樣本類與類之間的差異，而HMM則通過同一類樣本建模，體現(xiàn)了一類樣本類內(nèi)的相似性。論文將這兩種方

5、法結合建模，創(chuàng)建了SVM/HMM混合模式的拓撲結構，并將這種新的模式識別方法應用到實際的腦電信號中。實驗采用BCI競賽20082a數(shù)據(jù)集和自主采集的腦電信號，通過與SVM分類結果的比較，驗證了SVM/HMM混合模式對兩類腦電信號和四類腦電信號進行模式識別的有效性。
　　論文對腦-機接口中最為核心的特征提取和模式識別兩部分進行了研究。在BCI競賽數(shù)據(jù)和自主采集的腦電實驗數(shù)據(jù)的基礎上，分析和討論了頻率同步特征和SVM/HMM混合模式應