便携式脑机接口场景下基于DTW的SSVEP识别方法

论文摘要

近年来,脑机接口（Brain-Computer Interface,BCI）在医疗、军事和娱乐等领域上得到了巨大的发展。BCI能建立脑与外界设备直接交互的通道,使人们可以直接通过大脑表达意图。这种特性能够帮助一些患有脑干中风等神经疾病的残疾人恢复与外界交互的能力。基于稳态视觉诱发电位（Steady State Visual Evoked Potential.SSVEP）的BCI系统具有操作简便、无需训练、信息传输率高等特点,在商业用途中存在很大的应用前景。然而,目前大多数基于SSVEP的BCI系统采用了不便携带的刺激显示界面和昂贵的脑电采集设备,这导致了基于SSVEP的BCI系统无法实际应用到日常生活当中。本文为了解决该问题,结合便捷式脑电采集设备Emotiv EPOC和智能手机,设计了一种便捷式脑机接口系统,并且针对传统刺激范式容易使眼睛疲劳的问题,采用了一种基于灰度值变化的刺激范式。这种范式具有用户友好度更高、可实现刺激频率范围更广等优点。相比于昂贵的高采样频率的脑电采集设备,由于采样频率仅有128Hz,Emotiv EPOC记录的脑电信号质量通常较低,所能包含的脑电信息细节较少,对脑电信号的分析与识别提出了更高的要求。为此,本文针对如何提高便携式脑机接口系统识别率问题,提出了一种基于动态时间扭曲（Dynamic Time Warping,DTW）的分析方法。为了选择最佳的DTW模板,在所提出的基于DTW的分析方法基础上,构建了多个模板并进行对比测试。这些模板包括人工参考信号、基于离散小波变换的模板、基于多集（Multiset）的模板和个人模板等。结果表明,基于离散小波变换的模板的性能优于其它模板。对同一数据集进行分析的数据结果显示,基于DTW的分析方法的平均准确率为83.63%,而传统的典型相关分析方法（Canonical Correlation Analysis,CCA）的平均准确率为65.71%。这表明基于DTW的分析方法具有较好性能和潜在的应用前景。

论文目录

• 摘要
• Abstract
• List of Abbreviations
• Chapter 1 Introduction
•   1.1 Background
•     1.1.1 What is BCI
•     1.1.2 Types of BCI
•     1.1.3 EEG-based BCI
•   1.2 Problems of SSVEP based BCI
•   1.3 Aim and Objectives
•   1.4 Motivation
•   1.5 Contribution
•   1.6 Significance
•   1.7 Thesis Outline
• Chapter 2 Literature Review
•   2.1 Electroencephalogram （EEG）
•   2.2 Structure of SSVEP based BCI System
•     2.2.1 Stimulation Techniques
•     2.2.2 EEG Acquisition Methods and Devices
•     2.2.3 Signal Processing Techniques
•     2.2.4 Classification Techniques
• Chapter 3 Design and Implementation of the Portable BCI System
•   3.1 Framework of the Portable BCI System
•   3.2 Stimulation Module
•     3.2.1 Stimuli Display Device
•     3.2.2 Stimulus Design
•   3.3 Data Acquisition Module
•     3.3.1 EEG Acquisition Headset
•     3.3.2 Steps for Recording EEG Signals with an Emotiv EPOC Headset:
• Chapter 4 Data Analysis Methods and Procedure
•   4.1 Methods
•     4.1.1 Canonical Correlation Analysis （CCA）
•     4.1.2 Dynamic Time Warping （DTW）
•     4.1.3 Template Types
•   4.2 Experimental Procedure for Data Collection
•   4.3 Data Analysis Procedure
•     4.3.1 Signal Pre-processing
•     4.3.2 Data Segmentation
•     4.3.3 Procedure for SSVEP Recognition
• Chapter 5 Results and Discussion
•   5.1 Comparison between Separate and Overlapped Segments
•   5.2 Comparison between CCA and DTW
•   5.3 Comparison of Templates
• Chapter 6 Conclusion and Future Work
•   6.1 Conclusion
•   6.2 Future Work
• Reference
• Academic Achievements
• Acknowledgement

文章来源

类型: 硕士论文

作者: Sandra Ebele Nwachukwu

导师: 施明辉

关键词: 脑机接口,脑电图,稳态视觉诱发电位,典型相关分析,动态时间扭曲

来源: 厦门大学

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: 厦门大学

分类号: R318;TN911.7

总页数: 83

文件大小: 4986K

下载量: 26