基于运动想象的脑电信号分析与脑机接口系统设计

基于运动想象的脑电信号分析与脑机接口系统设计

论文摘要

脑机接口技术实现了人类大脑对外界设备的直接控制,从解决重度残障人士生活能力的初衷到目前涉及的娱乐、交通、医疗等多个领域,脑机接口技术的应用变得越来越广泛。研究表明,脑电信号能够被正确解读是大脑与外界设备实现准确交流的关键性步骤,因此,对脑电信号利用相关算法进行识别十分必要。本文分析了自发式的运动想象脑电信号,实现了两类信号的识别与分类,并开发了一套智能小车脑机接口系统,实现了脑电信号对智能小车的控制,主要内容有:将脑电信号通过椭圆滤波器滤波,保留有效的且能反应大脑意识变化的8~30HZ范围内的信号,有效地减少了高低频率的干扰。对比常用的提取脑电信号特征的算法优缺点,本文结合共空间模式法和AR模型法获得新的特征值,并通过支持向量机分类器和线性判别分类器进行分类,实验结果显示,由两类分类器分别分类后,其分类准确度比利用单一的特征提取法均有所提高。为了进一步证明特征提取结合法的可行性,对第三届脑机接口比赛中的两位受试者脑电信号进行分类,分类结果表明,利用本文改进的结合特征提取法能明显提高脑电信号的分类准确度。设计了一个基于TGAM模块的脑机接口智能小车系统,硬件部分以Arduino Nano开发板为核心,并采用模块化的设计,搭建了信号采集、信号传输、电机驱动控制、电源供电模块等硬件电路,同时在Arduino IDE的编译环境中实现智能小车系统的软件设计,经过多次实验验证,证明该智能小车系统能够较好地完成脑电信号对小车的实时控制。

论文目录

  • 摘要
  • abstract
  • 1.绪论
  •   1.1 脑机接口研究背景及意义
  •   1.2 脑机接口系统简介
  •   1.3 脑机接口国内外研究现状
  •     1.3.1 基于运动想象的脑机接口国内外研究现状
  •     1.3.2 基于P300的脑机接口国内外研究现状
  •     1.3.3 基于SSVEP的脑机接口国内外研究现状
  •   1.4 脑机接口技术难点
  •   1.5 本文研究的主要内容
  • 2.运动想象脑电信号研究基础及其预处理
  •   2.1 脑电信号基础知识
  •     2.1.1 脑电信号的产生
  •     2.1.2 脑电信号的分类
  •     2.1.3 脑电信号的特点
  •     2.1.4 脑电信号的采集
  •   2.2 事件相关去同步/同步研究
  •   2.3 脑电信号采集实验范式
  •     2.3.1 数据来源
  •     2.3.2 实验过程
  •     2.3.3 数据存储格式
  •   2.4 脑电信号预处理
  •     2.4.1 时域滤波
  •     2.4.2 频域滤波
  •     2.4.3 空间滤波
  •     2.4.4 脑电信号的预处理仿真分析
  •   2.5 本章小结
  • 3.运动想象脑电信号的特征提取
  •   3.1 基于希尔伯特-黄变换的特征提取
  •   3.2 基于共空间模式的特征提取
  •   3.3 基于自回归模型的特征提取
  •     3.3.1 自回归模型的基本原理
  •     3.3.2 自回归模型的参数估计
  •     3.3.3 自回归模型的阶数确定
  •   3.4 本章小结
  • 4.运动想象脑电信号的分类识别
  •   4.1 基于支持向量机的分类识别
  •   4.2 基于线性判别分类器的分类识别
  •   4.3 仿真分析
  •     4.3.1 Data set Ⅲ数据分类识别
  •     4.3.2 Data set Ⅲb数据分类识别
  •   4.4 本章小结
  • 5.基于TGAM模块在线脑机接口系统设计
  •   5.1 在线脑机接口系统硬件电路设计
  •     5.1.1 TGAM模块
  •     5.1.2 核心控制模块
  •     5.1.3 蓝牙模块
  •     5.1.4 驱动模块
  •   5.2 脑电信号数据显示方式
  •   5.3 在线脑机接口系统软件设计
  •   5.4 实验测试
  •     5.4.1 数据采集
  •     5.4.2 实验过程
  •     5.4.3 实验结果分析
  •   5.5 本章小结
  • 6.总结与展望
  •   6.1 总结
  •   6.2 展望
  • 参考文献
  • 攻读硕士学位期间发表的论文及所取得的研究成果
  • 致谢
  • 文章来源

    类型: 硕士论文

    作者: 常宇

    导师: 杨风

    关键词: 脑机接口,共空间模式,模型,支持向量机,线性判别分类器

    来源: 中北大学

    年度: 2019

    分类: 基础科学,医药卫生科技,信息科技

    专业: 生物学,生物医学工程,电信技术

    单位: 中北大学

    分类号: R318;TN911.6

    总页数: 92

    文件大小: 5358K

    下载量: 357

    相关论文文献

    • [1].基于脑电信号反馈控制的双轨道小车控制器设计[J]. 电子制作 2019(23)
    • [2].酒精脑电信号降维去噪方法的研究[J]. 长春理工大学学报(自然科学版) 2019(06)
    • [3].脑电信号分析方法及其应用[J]. 中国医疗器械杂志 2020(02)
    • [4].一种基于脑电信号的眼动方向分类方法[J]. 计算机科学 2020(04)
    • [5].我国脑电信号分析方法及在工学方面的应用研究[J]. 中外企业家 2020(19)
    • [6].基于脑电信号分析的换挡布置优化[J]. 汽车实用技术 2020(17)
    • [7].基于多尺度排列熵的脑电信号分类[J]. 中国数字医学 2019(05)
    • [8].基于深度学习的癫痫脑电信号分析与预测[J]. 长春大学学报 2019(06)
    • [9].关于脑电信号的情感优化识别仿真[J]. 计算机仿真 2018(06)
    • [10].基于脑电信号的耳鸣识别算法研究[J]. 科技传播 2018(13)
    • [11].癫痫脑电信号的相关性分析[J]. 电子世界 2017(05)
    • [12].基于半监督学习的脑电信号特征提取及识别[J]. 工程科学与技术 2017(S2)
    • [13].基于脑电信号的驾驶疲劳的研究[J]. 世界最新医学信息文摘 2017(55)
    • [14].运动想象脑电信号特征的提取与分类[J]. 工业控制计算机 2015(02)
    • [15].脑电信号的最优分数阶傅里叶变换[J]. 沈阳大学学报(自然科学版) 2019(06)
    • [16].基于多特征卷积神经网路的运动想象脑电信号分析及意图识别[J]. 仪器仪表学报 2020(01)
    • [17].人脑电信号实时监测原型系统设计与实现[J]. 计算机工程与应用 2019(02)
    • [18].基于方差和深度学习的脑电信号分类算法[J]. 黑龙江工程学院学报 2017(06)
    • [19].脑电信号识别及其在机械手臂控制中的应用[J]. 生物医学工程研究 2016(04)
    • [20].少年与中年脑电信号的多尺度符号序列熵分析[J]. 北京生物医学工程 2016(06)
    • [21].基于卷积神经网络的脑电信号上肢运动意图识别[J]. 浙江大学学报(工学版) 2017(07)
    • [22].脑电信号在线采集系统设计与实现[J]. 微型机与应用 2017(22)
    • [23].便携式脑电信号采集与处理系统(英文)[J]. 航天医学与医学工程 2016(03)
    • [24].正常人中医体质分类与脑电信号相关性探讨[J]. 辽宁中医药大学学报 2014(11)
    • [25].脑电信号采集系统的设计[J]. 河北建筑工程学院学报 2014(01)
    • [26].思维脑电信号的关联维数分析[J]. 河南科技大学学报(自然科学版) 2012(01)
    • [27].一种适用于清醒动物脑电信号采集的固定装置[J]. 首都医科大学学报 2011(06)
    • [28].运动想象脑电信号识别研究[J]. 计算机工程与应用 2010(33)
    • [29].基于照片刺激下的脑电身份识别研究[J]. 江西蓝天学院学报 2011(04)
    • [30].静息脑电信号频域不对称指数特征识别算法[J]. 电子设计工程 2020(09)

    标签:;  ;  ;  ;  ;  

    基于运动想象的脑电信号分析与脑机接口系统设计
    下载Doc文档

    猜你喜欢