脑机接口的研究
脑机接口的研究[20191214191616]
摘要
脑机接口是一种在人或动物 脑 （或者脑细胞的培养物）与外部设备间创建的直接连接通路，在单向脑机接口的情况下，计算机或者接受脑传来的命令，或者发送信号到脑。EEG信号即脑电信号，是人脑的生理电信号，是脑神经细胞群电活动的总体反应。而EEG信号的分类就是把通过连接人脑头皮而采集到的脑电信号通过脑机接口系统传输至计算中进行记录的脑电数据进行的分类，而本文就是把想象主体向左或者想象主体向右的想象动作电位进行二分类。
本文主要介绍了脑机接口及EEG信号的特点、研究现状及应用；如何利用ICA算法对源信号进行降噪和预处理，在提取特征后以支持向量机为基础进行EEG信号的分类。
EEG信号是研究脑活动关键来源，对EEG信号的分类以及其他研究成果可促使BCI系统和设备大量投入到生物工程，病理学，临床以及一些以人类为主体的监测等极具现实意义的应用中。
查看完整论文请+Q: 351916072
关键字:EEG信号脑机接口想象动作电位支持向量机独立成分分析
目录
摘要 I
Abstract II
第一章 前言 1
1.1 脑机接口的研究意义和发展情况 2
1.1.1脑机接口概述 2
1.1.2脑机接口的研究意义和发展情况 3
1.2 EEG信号概述 4
1.2.1EEG的相关概念 4
1.2.2 脑电活动的信号来源及采集 5
1.2.3 EEG信号的研究方法 8
1.3 事件相关电位 9
1.3.1 事件相关电位 9
1.3.2想象动作电位 10
1.4 本文内容和研究意义 10
第二章 独立成分分析 12
2.1 ICA的引入 12
2.2. ICA的定义 16
2.4 ICA分离结果 18
第三章 19
基于支持向量机的EEG信号分类方法 19
3.1统计背景 19
3.1.1vc维 19
3.1.2 结构风险最小化原则 20
3.2．最优分类面及其算法 21
3.3 支持向量机 24
3.3.1支持向量机原理 24
3.3.2支持向量机进行分类的原理 26
3.4 SVM程序及分类结果 28
3.4.1待分类数据 28
3.4.2 基于svm分类的核心程序 28
3.4.3分类结果 29
第四章 讨论与展望 30
致谢 32
第一章 前言
人类大脑的奥秘一直深深吸引着人们，古今中外的科学家都努力想要探索到更多关于大脑的秘密，一直到1924年德国科学家Hans Berger从人的头皮上记录下了有节律性的电的信号，人类对大脑的研究自此进入了新的纪元。
脑机接口（brain-computer interface ,BCI）是指在人或动物 脑 （或者脑细胞的培养物）与外部设备间创建的直接连接通路。在单向脑机接口的情况下，计算机或者接受脑传来的命令，或者发送信号到脑[]。 脑电图(EEG)是对沿着头皮产生带电的活动的记录， EEG测量了由于离子电流流过大脑中的神经元而产生的电压波动[]。对EEG信号的分析已经在临床上取得了很大的成就，尤其是在病理学和治疗癫痫病方面。在过去，对于EEG的理解局限于神经生理学家的目测和经验，这就导致了要专门地训练一些人通过EEG的记录来辨别哪个是正常的脑电活动，哪个是非正常的。计算机的发展以及与之相关的技术的进步使得我们可以成功的应用某些方法来批量地处理脑电数据了[]。
与其他生物信号相比，EEG信号对于未经训练的“生手”是很难理解和辨识的，部分原因是由于大脑的不同区域放置着不同的电极，不同区域需要需要标注不同的空间序列。此外，脑电信号的数据处理能确定待量化数据的特征，如是诱发反应记录，是特征提取还是模式识别，或者是可自动检测尖峰的对癫痫病发时活动的检测。
早前科学家的着力想要展示EEG信号和行为之间的关系，于是模拟序列分析被引入用来检测EEG数据，这种方法是基于早期的对EEG信号的只有四种频带（δ(<4 Hz),θ(4–8 Hz),α（8–13 Hz), β(13–30 Hz)）的这种理解，虽然不甚满意，大量的努力被投入到频率的分析之中以便来研究脑波的活动情况。尽管功率谱分析提供了能共批量研究EEG信号的频率分布的方法，但是是以牺牲EEG信号的振幅分布和某些特定模式下EEG信号显示为前提的。因此，时间 - 频率的信号处理算法，例如离散小波变换（DWT），变得十分的必要，在可以同时描述时域和频域的同时分析EEG的不同的行为[]。
在EEG信号的特征提取方面，主成分分析（Principal component analysis ，PCA), 独立成分分析（independent component analysis ，ICA）以及现行判别分析（ linear discriminant analysis，LDA）是熟知的信号特征提取方法[]。
特征提取意味着吧现有的特征转化至更低维的空间，这样做可以简化数据特征来避免高维而存在的数据冗余，PCA,ICA,LDA正是用于降低数据的维度。以采集到的EEG信号来判断癫痫病是否处于发病期为例，处理后的数据的特征作为支持向量机（VSM）的输入，输出结果是癫痫病发作或癫痫病不发作这两种结果。实验仿真也显示，用以上三种方法提取的特征作为支持向量机的输入时，输出结果总是优于未经过任何处理的数据VSM作为输入时的结果。
下面我们来具体阐述脑机接口和EEG信号的发展情况和研究意义以及本篇论文的对于上述问题的研究思路。
1.1 脑机接口的研究意义和发展情况
1.1.1脑机接口概述
脑机接口（BCI）是基于有大脑产生的神经活动和独立的计算机之间进行交流的方法。脑机接口的目的不是通透洞察人的大脑活动来判断一个人的企图，而是提供一种新的大脑活动的输出渠道。
脑际接口简单可分为单项脑机接口和双向脑机接口：单向脑机接口是计算机或者接受脑传来的命令或计算机发送信号到脑（例如视频重建），单向脑机接口不能同时发送和接收信号；双向脑机接口允许脑和外部设备间进行双向信息交换。我们这里进行的研究是单向脑机接口，主要是计算机设备接收大脑传来的命令和信号。
同时,根据数名欧洲科学家Congedo，Lamarche等在2007年联合发表的文章[]，我们可以知道脑机接口（BCI）的设计具有以下几大重要特征：
（1）噪声和异常值：脑机接口（BCI） 的这一特点是由于EEG信号的低信号噪声比而存在噪声和异常值；
（2）高维：在BCI系统中，特征向量一般都是高维度的；
（3）时间信息：脑机接口（BCI）一定要包含时间信息因为大脑活动与EEG特定的时间变化是相关的；
（4）非平稳特性：脑机接口（BCI）是非平稳的因为EEG信号会在短时或特定时间段内快速变化；
四点性质中，高维度这个特性尤其重要，是因为现在用于采集EEG信号的设备多为单频道的设备，单频道降低了信号处理的复杂度，但同时也降低了信号处理的准确性。
1.1.2脑机接口的研究意义和发展情况
多年来在动物实验的实践基础上，应用于人体的这种脑机接口设备被制造出来，用于采集人类大脑的活动数据，在病理方面监测如癫痫病，自闭症等的病理情况，而在临床上的应用最为被大众所知，用于恢复损伤的听觉、视觉和肢体运动能力。由于大脑不同寻常的皮层可塑性，与脑机接口相适应，人类便可以象自然肢体那样控制植入的假肢。总的来说，脑机接口的研究可以概括为以下四个方面：
（1）生物工程：可协助残疾人恢复部分正常功能的设备；
（2）以人为对象的监测：对人类主体失眠，精神类疾病，注意力等问题的检测和研究；
（3）神经学科研究：关联可观测到的行为与已记录的神经信号数据的方法；
（4）人机互动：人与计算机或机器可进行接口的设备。
对于脑机接口的研究已经超过了30年，对于脑机接口的研究的重大意义不言自明，在过去的30年间也取得了许许多多惊人的成果。
生物工程方面，在2005年，Cyberkinetics公司获得美国FDA批准，九位病人进行了第一期的运动皮层脑机接口的临床试验。四肢瘫痪 的Matt Nagle成为了全球首位用侵入式脑机接口来控制机械臂的病人，他能够通过运动意图来完成机械臂控制、电脑光标控制等任务。其植入物位于前中回 的运动皮层 对应手臂和手部的区域。该植入称为BrainGate，是包含96个电极的阵列[]。
监测方面，索尼公司正在研发基于脑机接口的一种设备，穿戴设备的人通过控制大脑的活动对外界给出的命令进行响应。这种设备在正在成长的儿童身上进行了实验，两组儿童进行同样的训练，一组进行常规反馈，一组通过这种设备进行神经反馈，两组儿童在训练后进步相差不多，但穿戴设备的这组小朋友会更加享受训练，也会更加关注自己的进步并且因这种进步感到快乐。这组实验也证实了我们如何可以利用科技的力量使治疗更加适宜患者，更加有趣，减少痛苦，或者通过反馈得到更多我们想要的结果。
神经学科方面，部分脑机接口设备被叫做神经假体，替换掉原有功能已削弱的部分神经或感觉器官。神经假体最广泛的应用是人工耳蜗 ，截止到2006年世界上已有大约十万人植入。也有一些神经假体用于恢复视力，如人工视网膜 ，但目前在这方面的工作仅局限于将人工装置直接植入脑部，即侵入式是脑机接口。
而人机互动方面，据每日科学网站2014年5月27日报道，德国慕尼黑工业大学飞行系统动力学研究所弗洛里安·霍尔扎巴菲尔教授正研究脑控飞行的方法，并且实验显示脑控飞行确实可行，TUM科学家目前集中研究的问题是，怎样把控制系统和飞行动力学方面的要求恰当转换，以适应新的控制方法[]。
1.2 EEG信号概述
1.2.1EEG的相关概念
EEG是脑电图Electroencephalograph的英文缩写，是通过医学仪器脑电图描记仪将人体脑部 自身产生的微弱生物电 放大记录而得到的曲线图。
大脑皮层的电活动包括两种形式：第一种形式是当没有给被测对象特定刺激时所记录的自发活动，即在无明显刺激的情况下，大脑皮层经常性自发产生节律性电位变化，称之为自发脑电活动。在头皮表现可记录到的自发脑电活动称为脑电图（EEG）。
第二种形式是在给予特定刺激时诱发产生的活动，这种诱发产生的脑电反应通常称为事件相关电位（ERP），即感觉受刺激时，在皮层某一局限区域引出的电位变化，称之为皮层诱发电位。
EEG信号：EEG信号即脑电信号，是人脑的生理电信号，是脑神经细胞群电胜利活动的总体反应。EEG信号是本文研究的重点，也是这个学科的研究重点。
事件相关电位（event-related potential，ERP）：是一项基于脑电图技术的，与特定的物理事件或心理事件，在时间上相关的电压 波动（voltage fluctuation）。这种电位 可以被颅外记录，并凭借滤波和信号叠加 技术，从脑电信号中被提取出来。本文中进行分类的EEG信号就是在采集了特定事件相关电位后进行的分类，不同的事件、动作、或者病因会产生不同的事件相关电位，具有不同的特征。
摘要
脑机接口是一种在人
本文主要介绍了脑机接口及EEG信号的特点、研究现状及应用；如何利用ICA算法对源信号进行降噪和预处理，在提取特征后以支持向量机为基础进行EEG信号的分类。
EEG信号是研究脑活动关键来源，对EEG信号的分类以及其他研究成果可促使BCI系统和设备大量投入到生物工程，病理学，临床以及一些以人类为主体的监测等极具现实意义的应用中。
查看完整论文请+Q: 351916072
关键字:EEG信号脑机接口想象动作电位支持向量机独立成分分析
目录
摘要 I
Abstract II
第一章 前言 1
1.1 脑机接口的研究意义和发展情况 2
1.1.1脑机接口概述 2
1.1.2脑机接口的研究意义和发展情况 3
1.2 EEG信号概述 4
1.2.1EEG的相关概念 4
1.2.2 脑电活动的信号来源及采集 5
1.2.3 EEG信号的研究方法 8
1.3 事件相关电位 9
1.3.1 事件相关电位 9
1.3.2想象动作电位 10
1.4 本文内容和研究意义 10
第二章 独立成分分析 12
2.1 ICA的引入 12
2.2. ICA的定义 16
2.4 ICA分离结果 18
第三章 19
基于支持向量机的EEG信号分类方法 19
3.1统计背景 19
3.1.1vc维 19
3.1.2 结构风险最小化原则 20
3.2．最优分类面及其算法 21
3.3 支持向量机 24
3.3.1支持向量机原理 24
3.3.2支持向量机进行分类的原理 26
3.4 SVM程序及分类结果 28
3.4.1待分类数据 28
3.4.2 基于svm分类的核心程序 28
3.4.3分类结果 29
第四章 讨论与展望 30
致谢 32
第一章 前言
人类大脑的奥秘一直深深吸引着人们，古今中外的科学家都努力想要探索到更多关于大脑的秘密，一直到1924年德国科学家Hans Berger从人的头皮上记录下了有节律性的电的信号，人类对大脑的研究自此进入了新的纪元。
脑机接口（brain-computer interface ,BCI）是指在人
与其他生物信号相比，EEG信号对于未经训练的“生手”是很难理解和辨识的，部分原因是由于大脑的不同区域放置着不同的电极，不同区域需要需要标注不同的空间序列。此外，脑电信号的数据处理能确定待量化数据的特征，如是诱发反应记录，是特征提取还是模式识别，或者是可自动检测尖峰的对癫痫病发时活动的检测。
早前科学家的着力想要展示EEG信号和行为之间的关系，于是模拟序列分析被引入用来检测EEG数据，这种方法是基于早期的对EEG信号的只有四种频带（δ(<4 Hz),θ(4–8 Hz),α（8–13 Hz), β(13–30 Hz)）的这种理解，虽然不甚满意，大量的努力被投入到频率的分析之中以便来研究脑波的活动情况。尽管功率谱分析提供了能共批量研究EEG信号的频率分布的方法，但是是以牺牲EEG信号的振幅分布和某些特定模式下EEG信号显示为前提的。因此，时间 - 频率的信号处理算法，例如离散小波变换（DWT），变得十分的必要，在可以同时描述时域和频域的同时分析EEG的不同的行为[]。
在EEG信号的特征提取方面，主成分分析（Principal component analysis ，PCA), 独立成分分析（independent component analysis ，ICA）以及现行判别分析（ linear discriminant analysis，LDA）是熟知的信号特征提取方法[]。
特征提取意味着吧现有的特征转化至更低维的空间，这样做可以简化数据特征来避免高维而存在的数据冗余，PCA,ICA,LDA正是用于降低数据的维度。以采集到的EEG信号来判断癫痫病是否处于发病期为例，处理后的数据的特征作为支持向量机（VSM）的输入，输出结果是癫痫病发作或癫痫病不发作这两种结果。实验仿真也显示，用以上三种方法提取的特征作为支持向量机的输入时，输出结果总是优于未经过任何处理的数据VSM作为输入时的结果。
下面我们来具体阐述脑机接口和EEG信号的发展情况和研究意义以及本篇论文的对于上述问题的研究思路。
1.1 脑机接口的研究意义和发展情况
1.1.1脑机接口概述
脑机接口（BCI）是基于有大脑产生的神经活动和独立的计算机之间进行交流的方法。脑机接口的目的不是通透洞察人的大脑活动来判断一个人的企图，而是提供一种新的大脑活动的输出渠道。
脑际接口简单可分为单项脑机接口和双向脑机接口：单向脑机接口是计算机或者接受脑传来的命令或计算机发送信号到脑（例如视频重建），单向脑机接口不能同时发送和接收信号；双向脑机接口允许脑和外部设备间进行双向信息交换。我们这里进行的研究是单向脑机接口，主要是计算机设备接收大脑传来的命令和信号。
同时,根据数名欧洲科学家Congedo，Lamarche等在2007年联合发表的文章[]，我们可以知道脑机接口（BCI）的设计具有以下几大重要特征：
（1）噪声和异常值：脑机接口（BCI） 的这一特点是由于EEG信号的低信号噪声比而存在噪声和异常值；
（2）高维：在BCI系统中，特征向量一般都是高维度的；
（3）时间信息：脑机接口（BCI）一定要包含时间信息因为大脑活动与EEG特定的时间变化是相关的；
（4）非平稳特性：脑机接口（BCI）是非平稳的因为EEG信号会在短时或特定时间段内快速变化；
四点性质中，高维度这个特性尤其重要，是因为现在用于采集EEG信号的设备多为单频道的设备，单频道降低了信号处理的复杂度，但同时也降低了信号处理的准确性。
1.1.2脑机接口的研究意义和发展情况
多年来在动物实验的实践基础上，应用于人体的这种脑机接口设备被制造出来，用于采集人类大脑的活动数据，在病理方面监测如癫痫病，自闭症等的病理情况，而在临床上的应用最为被大众所知，用于恢复损伤的听觉、视觉和肢体运动能力。由于大脑不同寻常的皮层可塑性
（1）生物工程：可协助残疾人恢复部分正常功能的设备；
（2）以人为对象的监测：对人类主体失眠，精神类疾病，注意力等问题的检测和研究；
（3）神经学科研究：关联可观测到的行为与已记录的神经信号数据的方法；
（4）人机互动：人与计算机或机器可进行接口的设备。
对于脑机接口的研究已经超过了30年，对于脑机接口的研究的重大意义不言自明，在过去的30年间也取得了许许多多惊人的成果。
生物工程方面，在2005年，Cyberkinetics公司获得美国FDA
监测方面，索尼公司正在研发基于脑机接口的一种设备，穿戴设备的人通过控制大脑的活动对外界给出的命令进行响应。这种设备在正在成长的儿童身上进行了实验，两组儿童进行同样的训练，一组进行常规反馈，一组通过这种设备进行神经反馈，两组儿童在训练后进步相差不多，但穿戴设备的这组小朋友会更加享受训练，也会更加关注自己的进步并且因这种进步感到快乐。这组实验也证实了我们如何可以利用科技的力量使治疗更加适宜患者，更加有趣，减少痛苦，或者通过反馈得到更多我们想要的结果。
神经学科方面，部分脑机接口设备被叫做神经假体，替换掉原有功能已削弱的部分神经或感觉器官。神经假体
而人机互动方面，据每日科学网站2014年5月27日报道，德国慕尼黑工业大学飞行系统动力学研究所弗洛里安·霍尔扎巴菲尔教授正研究脑控飞行的方法，并且实验显示脑控飞行确实可行，TUM科学家目前集中研究的问题是，怎样把控制系统和飞行动力学方面的要求恰当转换，以适应新的控制方法[]。
1.2 EEG信号概述
1.2.1EEG的相关概念
EEG是脑电图Electroencephalograph的英文缩写，是通过医学
大脑皮层的电活动包括两种形式：第一种形式是当没有给被测对象特定刺激时所记录的自发活动，即在无明显刺激的情况下，大脑皮层经常性自发产生节律性电位变化，称之为自发脑电活动。在头皮表现可记录到的自发脑电活动称为脑电图（EEG）。
第二种形式是在给予特定刺激时诱发产生的活动，这种诱发产生的脑电反应通常称为事件相关电位（ERP），即感觉受刺激时，在皮层某一局限区域引出的电位变化，称之为皮层诱发电位。
EEG信号：EEG信号即脑电信号，是人脑的生理电信号，是脑神经细胞群电胜利活动的总体反应。EEG信号是本文研究的重点，也是这个学科的研究重点。
事件相关电位（event-related potential，ERP）：是一项基于脑电图
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/dzkxyjs/2467.html
