论文部分内容阅读
作为一种新型的可拓展式人机交互方法,脑机接口(BCI)构建了人脑到外围设备的通路,可将人脑神经活动直接转化为外围设备的控制指令。基于BCI系统的设备操控无需外周神经和肌肉的参与,突破了肢体束缚,在助残、军事、娱乐等领域有着重要的研究意义。脑电信号处理是实现BCI系统的核心步骤,提升脑电信号的辨识率对提高脑控设备的控制精度至关重要。本文分别以少通道两分类运动想象脑电、多通道两分类运动想象脑电和多任务运动想象脑电为研究对象,围绕脑电辨识过程中所存在的关键问题展开研究,并在此基础上构建脑控车辆BCI系统,实现最终的脑控驾驶。论文的主要研究内容如下:(1)采用时频特征混合提取的方法解决少通道两分类运动想象脑电特征提取质量差的问题。通过小波包滤波提高原始脑电信号的时频域信噪比,利用welch功率谱提取脑电的频域特征,结合脑电的时域能量特征,构建时频混合特征向量,采用基于K-means初始化的高斯混合模型分类器完成脑电的最终辨识。结果表明,所提取的特征向量包含了更多的运动想象信息,利用时频特征混合提取可有效提升运动想象脑电的辨识率。(2)为提高正则化公共空间模式(RCSP)对多通道两分类运动想象脑电的特征提取效果,提出一种基于Fisher判别率和信息增益的时间-频带-特征三维选取方法。利用RCSP提取各时间-频带下的脑电特征,基于Fisher判别率选择相对最优的时间-频带组合,根据信息增益完成相应特征的剔除,得到最终的特征向量,以随机森林作为分类器实现特征向量分类。结果表明,Fisher判别率选取的时间-频带组合符合运动想象脑电的时频域先验知识,利用信息增益优化特征向量结构,可进一步提升运动想象脑电的分类正确率。(3)针对多任务运动想象脑电信噪比低、分类难度大的问题,提出一种基于通带能量和Fisher距离的各通道滤波频带选取方法。计算各通道脑电信号在不同频带下的通带能量,根据通带能量得到各个频带的Fisher距离值,采用较大Fisher距离对应的频带作为相应通道最终的滤波频带,利用一对一CSP(OVO-CSP)提取脑电特征向量,基于支持向量机(SVM)完成脑电分类。结果表明,选用较大Fisher距离值对应的频带进行滤波可更好地抑制对应通道的噪声,滤波后的四分类脑电可获得86.48%的平均分类正确率,优于传统滤波方法和BCI竞赛方法所得结果。(4)针对多任务运动想象脑电使用过多采样通道的问题,提出一种基于公共空间模式(CSP)和顺序浮动双向选择(SFFS-SFBS)算法的脑电通道优化方法。根据CSP滤波系数缩小通道的搜索空间,利用SFFS-SFBS算法完成小空间下通道的精细选取。结果表明,在不降低分类正确率的前提下,与传统SFFS算法和改进SFFS算法相比,该方法选取的通道数量分别减少了51.36%、47.52%,对应的搜索时间缩短了90.95%、80%。可见,该方法可快速选择优质的脑电通道,提升BCI系统的实际使用性能。(5)为验证相关算法的可靠性和脑控驾驶的可行性,搭建了脑控车辆BCI系统。依托该系统,完成了基于机器视觉的车道线检测,实现了脑控驾驶辅助。通过设计在线脑电辨识算法,结合合理的车辆控制策略,实现了较为准确的脑控驾驶。