论文部分内容阅读
脑电是脑神经细胞电生理活动产生的信号，含有丰富的大脑活动信息。快速有效的利用脑电信号对认知功能进行分析、评估，对认知障碍疾病的检测和治疗具有重大意义。事件相关电位（ERP）广泛应用于认知神经科学的研究中，但其获取是通过叠加平均得到，这就造成一些认知信息的丢失。而认知活动不仅可以导致ERP发生，也能够以事件相关去同步化/同步化(ERD/ERS)的形式使EEG发生改变，本文基于ERD/ERS原理对脑电信号进行处理。基于想象运动的脑电信号不需要结构化的物理环境，是一种被广泛采用的思维作业方式。本文主要研究了两类和多类运动想象脑电信号特征提取与分类算法。(1)基于小波包分解系数及子空间能量的脑电信号特征提取。对于两任务识别，首先采用AR模型对信号进行频谱进行分析，分析想象左手、右手时对应的ERD/ERS特性；小波包分解信号并重构出现ERD/ERS现象的频率范围信号，利用C3、C4导联上重构信号的能量差对信号进行分类。(2)基于CSP的脑电信号特征提取。对于多通道脑电信号，为了提取更佳的特征值，需考虑通道信号间的空域特征信息，对其进行时-频-空的特征提取。CSP算法关注是两类运动模式下空间能量的分布差异，即构建出空间滤波器使两类任务在不同方向上的投影一类方差最大，另一类方差最小。对于四类任务，采用一对多策略对CSP进行扩展，构建四个空间滤波器对信号进行特征提取。(3)对两任务的模式识别，分别采用线性分类器和支持向量机进行分类，最佳结果都达到87.86%。对多任务的模式识别，采用基于决策树法的支持向量机进行分类，最佳分类正确率达到92.78%，效果优于一对一SVM多分类器。对于实验对象样本不充足，结合支持向量机和贝叶斯分类器，将分类结果中具有大概率的测试样本扩充到训练集，最后再次运用支持向量机进行分类。结果表明，增大训练样本可有效提高测试集分类正确率。