1、腦機接口(BCI)是一種全新的人機接口方式，它不依賴于腦的正常輸出通道(外周神經(jīng)與肌肉系統(tǒng))，而是直接從大腦獲取與外界通訊的信息。腦機接口的一個重要用途是為那些思維正常但有嚴重運動障礙的患者提供語言交流和環(huán)境控制途徑，提高其生存質(zhì)量。腦機接口在自動控制、軍事領(lǐng)域也有潛在的應(yīng)用價值。鑒于其巨大的應(yīng)用前景，腦機接口已引起國際科學(xué)界的高度重視。腦機接口研究正成為腦科學(xué)、康復(fù)工程、生物醫(yī)學(xué)工程及人機自動控制研究領(lǐng)域的一個新的熱點。 當前

2、絕大部分腦機接口是建立在腦電信號(EEG)基礎(chǔ)上的。腦電信號是由大腦產(chǎn)生的電活動，可以從頭皮或大腦皮層記錄到?；贓EG的信息交換方法的探索就是試圖將EEG或它的某些分量轉(zhuǎn)化為一種新的輸出通道，通過它大腦能夠與外界進行信息交換與控制。 在BCI系統(tǒng)中，腦電的特征提取與識別是非常關(guān)鍵的環(huán)節(jié)。如果此環(huán)節(jié)處理不好，系統(tǒng)就不能正確解讀出使用者意識活動中包含的特殊指令，也就不能對控制設(shè)備發(fā)出符合使用者意圖的控制指令。本文主要針對這一環(huán)節(jié)開

3、展了相關(guān)工作。 本論文提出了利用自適應(yīng)AR模型(AAR)進行腦電信號特征提取的方法。因為腦電是一種典型的非平穩(wěn)隨機信號，而自適應(yīng)AR模型也是一種非平穩(wěn)隨機模型，它是很適合于描述EEG信號的。文中我們詳細研究了該模型在腦電信號特征提取中的應(yīng)用。利用C3和C4導(dǎo)聯(lián)提取的模型系數(shù)作為信號的特征向量，并且提出了一種確定模型參數(shù)的方法——最小化相對誤差方差。實驗結(jié)果顯示，這是一種有效的區(qū)分兩種運動想象EEG模式的方法，最高識別正確率達到了

4、85％。這一非平穩(wěn)模型很好地描述了EEG信號的非平穩(wěn)隨機特性，同時自適應(yīng)的算法為它提供了具有很高時間分辨率(等于抽樣率[34])的參數(shù)。它的計算量非常小，很容易滿足實時性要求，是一種很好的在線處理方法。但是在包含較多瞬態(tài)過程的高度非平穩(wěn)的EEG信號中，這一方法很可能會失敗。這也正是其局限性。 本文提出一種新的基于核Fisher判別分析(KFDA)的腦電信號特征提取方法。根據(jù)對國內(nèi)外文獻的查閱，我們發(fā)現(xiàn)關(guān)于KFDA算法的應(yīng)用報道還

5、是非常少的，但都取得了很好的效果。我們尚未見到其在EEG信號處理中的應(yīng)用報道，所以我們嘗試應(yīng)用KFDA算法進行EEG信號的特征提取。利用核函數(shù)隱式地將輸入數(shù)據(jù)變換到高維特征空間，使在原空間中線性不可分的數(shù)據(jù)在特征空間變得線性(或近似線性)可分。其實質(zhì)是在變換空間尋找一組最佳投影方向，使得在這些投影方向上數(shù)據(jù)具有類間離散度最大而類內(nèi)離散度最小的特性。我們做了一系列實驗，證實了KFDA算法確實可以應(yīng)用到意識任務(wù)的特征提取與識別中來，而且任何

6、一種線性分類器就可以分開變換后的訓(xùn)練數(shù)據(jù)，并能測試數(shù)據(jù)上取得較理想的推廣性能。在文中所選用核參數(shù)范圍內(nèi)，用線性支持向量機分類器得到的最高識別正確率達到了87.2％。可以說我們的工作為BCI系統(tǒng)的研究提供了一條新的途徑。 本文還提出了基于腦電的四階累積量的特征提取與識別新方法。利用腦電的四階累積量進行意識任務(wù)分類識別，這一點我們是受了以二階矩——能量為特征的方法的啟示。我們發(fā)現(xiàn)，對于不同概率分布的隨機信號，其二階矩可以完全相同而歸

7、一化四階累積量卻不同，那么歸一化四階累積量應(yīng)該比二階矩更具有可區(qū)分性。所以我們設(shè)想將它應(yīng)用到意識任務(wù)分類識別中。文中對其作了比較詳細地研究，并提出了兩種遞推算法公式。這兩種公式計算量都很小，都是可以在線實現(xiàn)的。在對真實腦電信號的實驗中，基于四階累積量的方法取得了很好的效果。我們的研究表明，基于四階累積量的意識任務(wù)分類算法在復(fù)雜性、實時性和穩(wěn)定性方面都具有一定的優(yōu)勢，是一種較有實用價值的BCI實現(xiàn)方法。 在分類方法方面，研究了支持