基于通道扩维的多类CSP算法及在脑-机接口中的应用研究-信号与信息处理专业论文.docx

摘 摘 要 万方数据 万方数据 摘 要 对脑电信号的正确识别是决定脑-机接口性能最关键因素，因此基于脑电信 号分类识别算法的研究显得尤为重要。 对于基于脑电信号（electroencephalogram，EEG）的脑-机接口系统，共空域 模式（common spatial pattern，CSP）算法被广泛应用于解码相应神经元活动空 间模式，并且对于两类运动想象的分类识别效果很好。多类模式的 CSP 算法有 三种表现形式，第一是将多类转换成一对一（one versus one，OVO）CSP 模式， 第二是将多类转换成一对多（one versus rest，OVR）CSP 模式，第三是基于近 似联合对角化方法（approximate joint diagonalization，AJD）的 CSP 模式。虽然 基于 OVO 算法的分类准确率较高，但是稳定性差，在此提出基于 KNN 分类的 OVO-CSP 改进型算法来提高稳定性。结果证明，改进算法在分类准确率及稳定 性上都有提升。 对脑电信号的预处理过程包括各种滤波，很多个性化的频带选择算法被提 出，但是大多数的算法都是根据分类结果来选择频带，这种由果到因的选择方 式并不适用于实际的操作。因而本文选用功率谱分析对子带进行选择，并且提 出在多个子带同时对多类运动想象数据进行滤波，分别结合 CSP 算法将提取到 的特征矢量进行组合，再进行分类。实验结果证明该方法对同一组 EEG 数据做 交叉验证的分类效果较好。 CSP 算法是一种空域分析法，是对最能表征某类运动想象的空间（通道）进 行加权来对源信号进行降维。按理说通道越多，越能为每类运动想象找出最适 合通道作为空间滤波器；但是通道数越多，意味着需要更多的记录电极，这将增 加实验的复杂度，不利于实验数据的采集；并且有研究表明，20 左右数目的电 极能够采集足够的脑电信号用于分析。因此本文提出一种在不增加电极的前提 下，对已有通道数据进行时间延迟，将延迟得到数据迭代到空域中，以完成通 道数的倍增，再根据最优模式数来选择倍增后的最优通道。实验数据证明此种 方法能够有效地提高单组数据分类准确率，并且验证了最优的扩展次数；对于 不同时期数据集的交叉验证，扩展一倍后得到的分类准确率也有较好的提高。 关键词：脑-机接口；多类 CSP ；功率谱分析；特征矢量组合；通道扩展 I AB ABSTRACT ABSTRACT Brain computer interface (BCI), also named brain machine interface (BMI), is a system that enhances neuromuscular output or provides a neural interface to substitute for the loss of normal neuromuscular outputs by enabling individuals to interact with their environment through brain signals rather than muscles. The signals that deliver users communication or control intention are translated into an output, for example, cursor movement. With the rapid development of BCI technology, BCI has showed its application prospect in many fields, such as assistive, auxiliary control, entertainment, etc. It is the key factor determining the BCI performance to recognise electroencephalogram (EEG) signal correctly. So it is important to study the recognition algorithm based on EEG signal. The common spatial pattern (CSP) algorithm has been widely studied in decoding the spatial patterns of the corresponding neuronal activities from EEG signal patterns in BCI, and has got well perfor