首页 > 文献资料
-
基于锁相值和图论的脑功能网络特征提取方法
目的 为了研究大脑运动想象时脑功能网络的状态变化,并区分运动想象任务,本文提出一种基于锁相值和图论的脑功能网络特征提取方法.方法 首先获取Mu节律和Beta节律的运动想象脑电信号(motor imagery electroencephalography,MI-EEG),计算任意两导相同节律MI-EEG之间的锁相值;然后分别构建两个节律的脑功能网络,并提取6种全局网络特征参数,对其归一化处理后进行串行融合获得特征向量;后以支持向量机(support vector machine,SVM)作为分类器,采用10折交叉验证法,在BCI Competition III Data Sets IIIa数据集上对两种运动想象任务进行分类.结果 相比于其他脑网络特征提取方法,本文方法获得了较高的识别率,高识别率和平均识别率分别达到100.00％和83.33％.结论从脑功能网络的角度,通过构建Mu节律和Beta节律两个运动节律MI-EEG的脑功能网络,提取多个反映大脑网络整体信息的特征,相对于构建单一运动节律MI-EEG的脑功能网络,提取单个网络特征参数,能够有效改善运动想象任务的识别效果,为MI-EEG信号的特征提取方法提供了一种新的思路.
-
基于MI-BCI的上肢在线运动康复原型系统
目的 为实现单侧肢体运动想象与实际运动康复的身体部位及运动模式的一致化,进一步改善康复效果,本文设计了一种基于MI-BCI的上肢在线运动功能康复原型系统.方法 该系统主要包括以g.MOBIlab脑电仪为核心的运动想象脑电信号(motor imagery electroencephalogram, MI-EEG)实时采集模块、在线处理模块及机械手臂控制模块等几部分.利用 MATLAB和C语言混合编程及多线程技术完成对MI-EEG的实时采集、眼电伪迹去除、特征提取与分类,基于ARM9的S3C2440A微处理器设计机械手臂控制系统,控制模块与PC机间采用基于请求响应模式的通信协议,用手臂伸/屈MI-EEG的分类结果实现对机械手臂伸/屈同运动模式的实时控制.结果 对5名受试者进行实际测试,对手臂伸/屈MI-EEG的平均识别率为76.75%,验证了系统的实用性.结论 本系统具有良好的自适应性和实时性,为研制出更加自然、可临床应用的上肢运动康复系统奠定了基础.
-
运动想象脑电信号的特征提取和分类进展
运动想象脑电信号是指想象肢体运动而没有实际的肢体动作所产生的脑电信号.信号处理和模式分类方法是运动想象脑电信号以及整个BC1系统的核心技术.本文对基于运动想象的脑电信号的识别算法进行了综述.阐述了运动想象脑电特征提取和分类的方法,比较了各种方法的特点,分析了几种典型的特征提取和识别算法的组合,并且总结了运动想象脑电信号的特征提取和分类的发展现状和前景.
-
运动想象脑电信号算法研究进展
对脑电信号的研究,不仅可以提高人们对大脑的认知程度,还能够建立大脑与外界沟通的新途径.本文从运动想象脑电信号的特点出发,首先概述了近年来运动想象脑电信号分析与处理算法的发展状况,及脑电信号的特点;然后,着重分析了近年来常用的运动想象脑电信号特征提取与识别方法相关处理算法的优势、不足及其适用条件,包括功率谱分析法、小波分析法、样本熵法和共同空间模式法,以及线性判别、支持向量机等4种分类器;后,总结了目前运动想象脑电信号处理算法发展中存在的识别种类单一,识别率不高,自适性不足等问题,探讨了运动想象脑电信号进一步研究的思路.
