摘要
在现实生活中存在一部分大脑完好，其他身体部位因各种原因受损的人；由于疾病、事故等原因，导致身体丧失了大脑的部分或全部控制，影响着这些人的生活。运动想象（Motorimagery，MI）可以激发患者大脑皮层的活动，通过对运动想象脑电信号（Electroencephalography，EEG）的特征提取与识别，用于控制外部设备，或反馈给疾病患者，帮助其做康复治疗从而达到治疗患者的目的。基于运动想象脑机接口（BrainComputerInterface,BCI）系统的研究，具有重要的意义。 受试者进行运动想象，采集其产生的脑电信号，对采集到的运动想象脑电信号进行预处理、特征提取并且分类，将其转化为控制信号，传输到机器设备中，从而实现人脑和机器间的联系就是一个完整的基于运动想象的BCI系统。针对四分类运动想象脑电信号的预处理、特征提取、信号分类的问题，本文主要做了以下几个方面的工作： （1）运动想象脑电信号的采集以及预处理。根据运动想象脑电信号的特点，设计运动想象脑电信号采集的实验的范式，并使用博瑞康脑电采集设备进行数据采集，对采集到的脑电信号进行预处理，包括滤波、独立成分分析等，实现了原始运动想象脑电信号的降噪，为运动想象脑电信号的特征提取做好准备工作。 （2）使用共同空间模式（CommonSpatialPattern，CSP)的方法对运动想象脑电信号进行特征提取。通过仿真结果发现，相比于功率谱，自回归滑动平均模型（Auto-RegressiveandMovingAverageModel，ARMA）提取的特征更加明显。对比ARMA模型，CSP算法解决了ARMA模型信号导联少的问题，得到的特征更优，同时，提高了特征的有效性。 （3）采用支持向量机（SupportVectorMachine,SVM）的算法进行特征分类。针对SVM不同核函数对分类效果的不同，本文提出了使用遗传算法（GeneticAlgorithm,GA）对SVM进行参数寻优，找出SVM针对脑电信号分类的最佳参数。对比线性分类（linearclassifiers，LDA）结果，使用GA参数寻优的SVM分类器，对采集的运动想象脑电数据进行仿真，正确率更高，取得了平均88.4%正确率。证明了数据的有效性及特征提取算法与分类算法的可行性。
NETL