没有合适的资源?快使用搜索试试~ 我知道了~
人工智能-数据分析-运动想象脑电波数据分析.pdf
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 78 浏览量
2022-07-02
16:28:50
上传
评论
收藏 1.91MB PDF 举报
温馨提示
试读
65页
人工智能-数据分析-运动想象脑电波数据分析.pdf
资源推荐
资源详情
资源评论
1
摘要
准确高效地对脑电信号(
Electroencephalogram
,
EEG
)进行分析
处理,对于探索大脑功能、治疗脑科疾病和实现脑机接口具有重要的
意义和价值。脑电信号处理的速率和准确率是制约脑电技术研究和应
用的瓶颈,有鉴于此,本文对脑电波信号处理进行了研究,利用支持
向量机(
Support Vector Machine
,
SVM
)方法,并选取了线性、非线
性以及多项式三种核函数,分别计算了单次运动想象脑电波信号的分
类准确率。本文的主要内容包括脑电信号的相关知识概述、实验、总
结与展望三个板块。其中第一板块主要介绍了脑电信号的产生机制、
采集方法和过程以及国内外的研究进展。第二个板块实验与分析是本
文的重点。实验采集了
21
位
19-23
岁的被试在想象向前、向后等五
个不同方向运动时的脑电波信号,对采集到的信号进行滤波、独立成
分分析以及手动去噪等严格的预处理后,再利用
SVM
对数据进行分
类。
SVM
中三种不同的核函数分类结果可知,线性核函数的分类正
确率为
77%
,一类错误率为
9%
,二类错误率为
14%
,相比非线性核
函数和多项式核函数分类结果更好。因此,在使用
SVM
对运动想象
脑电波数据进行分类时可以选择线性核函数。第三个板块对本文进行
了全面的总结,并对脑电信号的研究以及分类方法的发展进行展望。
关键字:脑电信号;运动想象;预处理;支持向量机;分类;准确率
万方数据
2
Abstract
It is of great significance to analyze EEG signals accurately and
efficiently for exploring brain function, treating brain diseases and
realizing Brain Computer Interface (BCI). In this paper, we used Support
Vector Machine (SVM), a supervised classification method, to analyze
the EEG data acquired from the scalps of 21 subjects. Linear, nonlinear
and polynomial kernel functions were chosen to perform the
classification tasks and the classification accuracies were recorded
respectively. The main content of this paper was divided into three parts:
in the first part, we stated the background of this research; in the second
part, we described the experiment and data analysis methods; and in the
third part, we gave the results, discussion, and prospect of brain wave
research. In the experiment, the imagery EEG signals of 21 subjects aged
19-23 were collected when they were imaging five different moving
directions (up, down, left, right and middle). The collected EEG data
were strictly preprocessed by going through filtering, independent
component analysis
(
ICA
)
, and manual de-nosing. The preprocessed
EEG data were then classified by using SVM with different kernel
functions. The classification accuracy by using the linear kernel function
was 77% with type I error rate of 9% and type II error rate of 14%
,
which
was the best performance we achieved by using the 3 different types of
kernel functions. The third section was a comprehensive summary of this
万方数据
3
paper. We prospected the future of brain wave researches in this section.
Key words: EEG, motor imagery, preprocessing, SVM, classification,
accuracy
万方数据
4
引 言
近年来,随着神经生物学以及人工智能等领域的不断发展,脑电信号的研究
备受关注,国内外都有大量的关于脑电信号的研究报告。脑电信号的分类算法种
类繁多,研究者们利用不同的算法得到的分类准确率存在差异。
Blasco
等提出了
一种基于归一化互相关的脑电信号分类方法,对三种想象任务的脑电信号进行分
类,其准确率为
74.6%
[1]
。
Hortal
等研究者在
2015
年利用傅里叶变换和
SVM
算
法对四种想象任务的脑电波信号进行识别,以用于实时控制机械臂,其识别准确
率为
70%
[2]
。
目前,对脑电信号的研究主要面临两大难题,即如何有效地提高脑电信号处
理的速率和准确率。在实际的研究中,研究者们常将多个分类算法组合运用,这
种方式在一定程度上提高了分类准确率,但也增加了算法的复杂度,使脑电信号
的处理速率降低。对脑电信号进行准确高效的分类也是实现实时脑机接口应用的
前提条件,如果能找到复杂度低、分类准确率较高的分类算法,实现“脑控”技
术将成为可能。
本文采集了被试想象向前、后、左、右、停止五个方向的运动时产生的脑电
波信号,并利用
SVM
算法对信号进行分类。在不增加算法复杂度的前提下,为
提高分类准确率,我们在脑电信号的预处理部分做了相关的调整——首先对原始
信号进行滤波处理,再利用独立成分分析(
Independent Component Analysis
,
ICA
)
算法对信号进行降噪,最后再对信号进行人工检测以确保噪音信号清除干净。对
比未经过
ICA
预处理的分类,本文的分类准确率有所提高。在利用
SVM
算法对
脑电信号进行分类时,本文将三种不同核函数的分类准确率进行对比,选取最优
的核函数作为脑电信号的分类算法。
随着人工智能时代的来临,利用脑电波控制外界设备实现的智能化将大大提
高工作效率,并且能够改善肢体残疾、运动障碍等群体的生活质量。因此,对运
动想象脑电信号的分析在学术研究上有重要的价值,也具有重要的现实意义。
万方数据
5
1
绪论
1.1 课题研究背景
大脑的正常运转需要上百亿个神经元协助完成,当神经元进行电生理活动
时,可以在大脑皮层和头皮表面收集到脑电波信号
[3]
。脑电信号中存在大量的生
理信息和一些疾病信息,因此,在临床医学中常通过测量脑电波信号为癫痫、抑
郁症等疾病进行诊断和治疗。在生物医学工程以及计算机科学等学科上,有大量
的实验尝试通过提取和分类脑电信号中的有效成分来实现大脑对器械的控制,即
脑机接口(Brain Computer Interface,BCI)。BCI 系统可应用于脑控机械臂、脑
控游戏机、脑控机器人、脑控轮椅等项目的研究和开发
[4][5]
。
为实现对人类大脑的进一步开发和更充分的认识,需要利用脑电信号对大脑
进行深入的研究。对脑电信号的准确的分析也是未来实现意念控制的智能化的前
提条件。但由于脑电信号是非平稳随机信号,信号本身的复杂度较高,并且常伴
随较强的背景噪声,对信号中有效成分的分离和提取极具挑战。人们对脑电信号
的开发和研究经历了从发现脑电信号到采集脑电信号,再到能对其进行简单的时
频分析几个阶段。对脑电信号的研究发展至今,人们从中获取了大量的生理信息。
从对脑电信号的传统分析再到如今可以利用多种算法工具对脑电信号进行特征
分类,对脑电波信号的研究除了探索生理上的信息和大脑工作原理外,对脑机接
口这一与生产生活息息相关的领域的探索,成为实际应用工具的研究方向。
基于视觉诱发的诱发电位依赖于肌肉对视线方向的控制。相比之下,慢皮层
电位、P300 诱发电位、μ节律和β节律以及皮层神经元电位更独立,这些电位
的产生不依赖于肌肉等的控制。研究者们通过对不同的脑电信号分析处理算法的
综合比较,成功研发了基于视觉诱发电位的脑机接口系统。如今,基于稳态视觉
诱发电位(Steady-State Visual Evoked Potential,SSVEP)的脑机接口系统受到关
注,有大量的文献报告了这类系统的研究进展,基于 SSVEP 的脑机接口得到了
充分的发展。Calhoun 发现,被试在实验过程中通过一定的训练,能够自我调节
SSVEP 的幅度
[6]
。Middendorf 控制频率在 17.56Hz 到 23.42Hz 内,给被试提供两
个可选择按钮,通过视觉刺激可产生多个视觉诱发电位
[7]
。
目前大多数脑机接口的研究工作仍停留在设计验证或实验室演示阶段。为了
万方数据
剩余64页未读,继续阅读
资源评论
programyp
- 粉丝: 88
- 资源: 1万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功