论文部分内容阅读
脑-机接口(Brain-Computer Interface,BCI)为人脑与外界进行信息交换的新型通道,不仅可以为瘫痪闭锁病人提供全新的信息输出通道,也可为正常人提供服务,在医疗、心理、军事、娱乐等各领域具有广泛的应用前景。BCI研究涉及多个学科范畴,包括生物、通信、计算机技术等。近年来,BCI受到海内外学者的普遍关注,已经成为当前研究的热点。本文研究对象为基于运动想象的BCI,运动想象EEG信号是一种自发信号,它不同于P300、稳态视觉诱发电位等,需对受试者进行一段时间(从几周到几个月不等)的训练,才可获得运动想象特征较为明显的信号。此外,传统的监督分类方式也需要获取大量的有标记运动想象脑电样本才能训练得到性能较好的分类器,而获取大量有标记脑电样本是耗时、耗力、耗财的过程。因此在少量有标记样本条件下构建运动想象BCI系统具有重大研究意义和实用价值。针对小训练样本情况,本文研究了基于半监督算法的运动想象BCI系统,主要研究内容如下:(1)研究利用共空间模式(Common Spatial Patterns,CSP)进行特征提取及利用支持向量机(Support Vector Machine,SVM)进行分类的监督分类模式,在此基础上给出基于CSP和SVM的自训练半监督分类模式。为了在小样本条件下获得更好的运动想象分类效果,本文通过粒子群算法(Particle Swarm Optimization,PSO)来优化SVM的相关参数,构建了基于PSO和SVM的半监督分类模型。本文通过实验对提出的基于PSO优化的半监督分类模型进行了验证,并与监督分类模型和未优化的分类模型进行了比较。实验结果显示所提出方法可取得更高的分类正确率。(2)考虑到半监督算法中样本选择时置信度判别的重要性,本文提出了一种改进自训练半监督算法,通过增加一个分类器核Fisher判别分析来帮助主分类器SVM挑选高置信度的未标记样本,更新训练集,并重新对分类模型进行训练。利用BCI竞赛数据对改进自训练算法和未改进算法进行了离线分析和比较,使所提出算法的有效性得以验证,改进后运动想象分类率有显著提升。(3)基于改进自训练算法,设计并实现了基于半监督学习的在线运动想象BCI系统,通过想象左、右手运动可操控该BCI选择路径依序点亮小灯进行在线游戏。系统总体设计分为实时通信、预处理、信号存储、特征提取及分类、输出显示五个模块。该系统利用Neuroscan采集设备实现多导EEG信号的实时采集和传输,通过LabVIEW平台编写了上位机软件,实现信号预处理、基于CSP的运动想象特征提取、基于改进自训练算法的运动想象分类等功能。为评估所设计的在线BCI系统,开展了实验研究,分为三个部分:1)受试者训练实验,采集运动想象数据离线训练分类模型,为后续在线实验提供初始分类器;2)上位机软件测试实验,通过BCI竞赛数据验证在线系统上位机软件的各项功能;3)评估系统性能的在线实验,两名受试者通过运动想象操控BCI系统完成游戏操作,并统计了实验结果。当采用较多有标记样本作为初始训练集时,所构建的基于半监督学习的在线BCI系统可以取得较好分类效果。当减少初始训练集中的样本数量,系统利用未标记样本进行在线学习,其分类效果呈明显上升趋势,验证了利用改进自训练算法构建的在线BCI系统可靠有效。