基于SVM的BCI系统中P300信号识别技术研究-生物医学工程专业论文.docxVIP

中文摘要脑一机接口(Brain—Computer 中文摘要 脑一机接口(Brain—Computer Interface，BCI)是一种新的人机交互界面，其 主要任务是利用思维脑电信号实现人脑与计算机或其它外部机电设备的通讯和 控制。作为BCI系统输出控制的基础，本论文主要研究了使用事件相关电位 (Event—Related Potential，ERP)中P300信号进行脑电思维模式识别的方法。 文中首先介绍了诱发电位(Evoked Potential，EP)产生机制的两种假设， 其一认为EP是叠加于自发脑电背景之上、由外部刺激诱发产生并与刺激具有锁 时关系的神经细胞群电活动信号；其二则认为EP是原自发脑电活动中的一部分、 经外部刺激诱发产生相位同步效应所形成的神经细胞群电活动信号。研究结果表 明这两种假设在一定程度上是共存的。 为充分利用64导脑电数据信息，本文先使用主成分分析(Principal coⅢponent Anal ys i s，PcA)将信号降维，然后利用独立分量分析(Independent Co皿ponent Analysis，ICA)找出代表P300的独立分量，再将得到的分量作相干 平均以加强P300的锁时特征；并且将每个行列的序间相干性(Inter_Trial Coherence，ITc)在300ms附近的值作为该行列的锁相特征，每个行列的事件相 关谱扰动(Event—Related Spectral Perturbation，ERSP)在300ms附近的值 作为该行列的功率特征。 目前多数机器学习方法都是基于传统统计学，当样本数目有限时难以取得理 想的效果。而基于统计学习理论的支持向量机能够很好的解决小样本的学习问 题，本文使用它对信号进行分类，将之与使用人工神经网络的结果进行了对比， 可以看出在本课题中，支持向量机的确能够取得更好的表现。对于本文的高维特 征，由于支持向量机采用了核函数的方法，学习速度比神经网络要快很多，适合 在线学习。 关键词：脑一机接口(BCI)，P300，序间相干性(ITC)，事件相关谱扰动(ERSP)， 主成分分析(PCAl，独立分量分析(ICA)，支持向量机(SVM) ABSTRACTBmin—computer ABSTRACT Bmin—computer inteTl6璩e(Bmin—Computer Interface．BCI)is a new human machine interface．CurrentIy，tlle BCI system rcal讫ed the communication锄d control b印veen brain锄d computer 0r other electronic equipment by EEG．The paper studies the method of recogniziIlg P300 in the BCI system using the P300 signal as a con臼‘ol signal． This paper studies the two hypotheses about the generation oftlle P300 signal． The one is that the P300 has time-locked relation with stimulation．T11e other is tllat， the P300 sigllal is a portion of EEG，h瓠phaSe—locked relation with StirIlulation．The result shows that the two hypotheses盯e established at the鞠me time． Fir乳mis p印er uses the method of principal compon印t analysis(PCA)t0 reduce the dim朗sions ofme EEG signal；second，6nd out the independ蚰t component which 代．presents P300 signal by iIldependent component锄alysis(ICA)；then use tlle methods ofcoherent average technique t0朗h卸ce the time．10cked features ofP300． And take inter埘al cohereIlce(ITC)value锄d event-陀lated spec仃al perturbation value around 300ms ofthe s