论文部分内容阅读
脑—机接口(Brain-computer interfaces，BCI)是在人脑与电子设备，例如计算机之间建立新型的直接交流通道，通过这种通道，人就可以通过大脑产生的信号来表达想法以便转换成为控制命令。因此这为瘫痪的病人提供了一种新的交流与控制方式，并将极大地增强患者控制外部环境的能力和提高他们的生活质量。脑—机接口技术是一种涉及神经科学、信号检测、信号处理、模式识别、控制理论等多学科的交叉技术。本文对脑—机接口技术中涉及的一些神经电生理现象进行了分析，并对其中信息技术部分所采用的机器学习方法进行了较为详细地应用研究以改进脑—机接口系统的性能。在此我们主要研究了以下三个方面的内容：(1)本论文首先基于支持向量机(support vector machines，SVM)提出了一种判别框架用于进行左右手运动想象任务的单次在线分类。其中，脑电信号中的时频信息采用Morlet小波函数从两个频段(μ和β节律)提取，然后采用基于支持向量机框架的方法进行判别信息的累积以便于预测使用者的意动方向。该方法有效地改善了单次在线分类的准确率和稳定性。(2)其次，在对手指运动的神经电生理活动分析的基础上，本论文发展了一种判别空间模式(discriminative spatial patterns，DSP)方法用于运动相关电位的提取，同时与共空间模式(common spatial patterns，CSP)方法一起用于左右手指自发运动任务时脑电信号特征的提取。结果表明组合的空间滤波方法能够有效地改善该任务下的分类效果。(3)最后，发展了一种基于直推式支持向量机(transductive support vector machines，TSVM)算法的学习方法用于脑—机接口的小训练集情况下分类，以减少使用者的训练时间。其中直推式支持向量机的优点在于可将无标签的数据加入到分类器的设计和训练过程中。在思维想象任务中的分类结果表明，该方法可以在保持分类准确率变化不大的情况下有效地减少训练集。