论文部分内容阅读
脑机接口(Brain Computer Interface,BCI)旨在建立脑思维活动的意向与行为之间的关联,实现直接的人机信息交互和控制,在脑认知和生物反馈训练等有着广阔的发展应用前景。EEG(Electroencephalogram)具有非线性、非平稳性且易受外界干扰等特点,是综合反映大脑组织电活动及大脑的功能状态的载体,具有较高的时间分辨率和响应实时性。脑思维具有高度复杂性,目前典型单模态BCI是基于单一类别EEG信号,只能在简单思维活动层面识别不同类别任务,识别效率低、系统通用性差。旨在通过多种途径分析思维任务的多模态BCI系统,基于多种形式EEG信号之间的互补性,通过融合和综合利用多类型EEG信号,提供多类型多任务意识识别,并提高系统通用性和识别正确率,已经成为BCI发展的趋势。如何快速有效地从多模态EEG信号中识别表征意识任务的特征量,区分不同的意识任务,产生反映大脑意识的控制命令,是基于多模态EEG信号的多模态BCI系统的核心问题,预处理、特征提取和分类识别算法是其中的关键技术。以实现左、右手和左、右脚的四分类意识指令识别的多模态BCI系统为目标；以稳态视觉诱发(Steady State Visual Evoked Potential, SSVEP)和运动想象(Motor Imagery, MI)的多模态EEG信号处理关键算法作为核心,以提高多模态BCI系统识别正确率和速度为切入点,构建基于多模态EEG信号的BCI系统框架,设计多模态BCI系统的实验范式,采集多模态EEG信号,设计预处理、特征提取和分类识别等关键算法,实现四分类的BCI控制。实验结果表明,系统具有高识别准确率和速度。主要研究结果包括：1)对比研究了典型基于EEG信号的BCI系统,针对单模态的EEG信号易受主观影响,特征信息单一,传输速度受制约等问题,提出融合运动想象MI和视觉稳态诱发SSVEP构建多模态EEG信号,为实现BCI系统的左、右手和左、右脚的最佳分类控制提供了研究基础；2)围绕多模态EEG信号的BCI系统的核心算法,以实现左、右手和左、右脚的四分类BCI系统为目标,设计了特定的实验范式,采集大样本被试的多模态EEG信号；确定了C3、C4、FC3、FC4和Cz等12个采集通道,选取了相干平均预处理算法,通过比较AR模型、WT、WPT和HHT等特征提取算法,以及Fisher和SVM分类识别算法的大样本被试基础上的实验结果,设计了AR+HHT的特征提取和SVM分类识别的组合算法；3)针对实现多模态BCI系统中的问题,基于上述核心算法,构建了识别大脑的左、右手和左、右脚的不同躯体部位的运动想象的BCI系统框架,并编程实现了上述系统框架,设计并进行了大样本对比实验,验证算法和系统框架的有效性,实验结果表明,基于多模态EEG信号的BCI系统达到了高识别准确率和速度。