免费看男阳茎进女阳道视频

                        24小時論文定制熱線

                        咨詢電話

                        熱門畢設:土木工程工程造價橋梁工程計算機javaasp機械機械手夾具單片機工廠供電采礦工程
                        您當前的位置:論文定制 > 畢業設計論文 >
                        快速導航
                        畢業論文定制
                        關于我們
                        我們是一家專業提供高質量代做畢業設計的網站。2002年成立至今為眾多客戶提供大量畢業設計、論文定制等服務,贏得眾多客戶好評,因為專注,所以專業。寫作老師大部分由全國211/958等高校的博士及碩士生設計,執筆,目前已為5000余位客戶解決了論文寫作的難題。 秉承以用戶為中心,為用戶創造價值的理念,我站擁有無縫對接的售后服務體系,代做畢業設計完成后有專業的老師進行一對一修改與完善,對有答辯需求的同學進行一對一的輔導,為你順利畢業保駕護航
                        代做畢業設計
                        常見問題

                        基于運動想象的腦機交互系統的研發

                        添加時間:2020/08/10 來源:哈爾濱工業大學 作者:張子琪
                         本文完成了基于運動想象的腦機交互系統的設計與實現,由于腦電信號EEG 在采集的過程中極易受到干擾,所以在信號處理之前應首先對數據進行預處理以去除偽跡。
                        以下為本篇論文正文:

                        摘 要

                          腦機接口是一種完全不依賴于外圍神經與肌肉等正常通路的新型交互方法,實現了腦與計算機的直接通信。運動想象是指在腦海中想象運動,而不必做出真實的運動動作,運動想象療法就是依據于此,患者進行反復的運動想象,激 活相應的腦區,使得受損的神經通路周圍的神經細胞蘇醒過來,重構神經通路,進而達到恢復患者部分運動功能的目的。利用腦機接口技術來引導腦功能康復訓練,是當前計算機科學、認知神經科學、醫學等的熱點和難點問題,基于運動想象的腦機交互系統可以輔助運動想象療法,具有很好的應用前景。

                          本文完成了基于運動想象的腦機交互系統的設計與實現,由于腦電信號EEG 在采集的過程中極易受到干擾,所以在信號處理之前應首先對數據進行預處理以去除偽跡。在接下來的信號處理方面著重研究了腦電信號的特征提取,首先研究了共空間模式算法,緊接著探究了運動想象信號中最為突出的認知規律:ERD/ERS 現象,并提出了一個可以很好區分四類運動想象的參數:ERD/ERS能量系數。最后引入了小波包變換,提出了一種對原始數據進行分解后提取節點的近似熵作為特征,與 CSP 特征和 ERD/ERS 能量系數特征融合后輸入到分類器中進行分類的特征提取方法 WPECSP,實驗結果表明,相較于 CSP 方法,使用 WPECSP 進行特征提取的分類正確率提高了 4.44%,達到了 97.22%.這證明了該方法的有效性。

                          在對腦電信號進行模式分類時,比較了 Fisher 線性判決與 SVM 兩種分類器的效果;在處理二分類器與四分類任務之間的矛盾時,比較了"一對一"與重復分兩種方法;在采用"一對一"方法時,對于最終的輸出類別的判定,對投票法與判斷決策函數值兩種方法進行了比較,并在此基礎上提出了一種將投票與判斷決策函數之相結合的方法,實驗結果表明,有效的提升了分類識別率。

                          最后,分析了數據處理所使用的時間區間對實驗結果的影響,針對被試個體之間的差異性,選取最優時間區間進行分類,有效的提高了分類正確率。

                          在腦機交互系統的搭建部分,基于 Maya 完成了軟體機器人的建模與動畫制作,基于 Unity3D 實現了離線訓系統與在線子系統兩個模塊的功能。該系統既能實現離線的分析腦電信號,又能在線處理并將結果以軟體機器人的動作這一形式展現出來,給予患者視覺反饋,輔助運動想象療法,從而提升康復效果。

                          關鍵詞:運動想象;腦機交互系統;共空間模式;小波包變換;支持向量機

                        腦機交互系統

                        Abstract

                          Brain computer interface (BCI) is a new interactive method which is completely independent of the normal pathways such as peripheral nerves and muscles, which realizes the direct communication between brain and computer. Motor imagination refers to the imagination of movement in the mind, without the need to make real movement action. Motor imagery therapy is based on this. Patients repeatedly imagine the movement, activate the corresponding brain area, make the nerve cells around the damaged neural pathway wake up, reconstruct the neural pathway, and then achieve the purpose of restoring part of the motor function of patients. Using brain computer interface technology to guide brain function rehabilitation training is a hot and difficult problem in computer science, cognitive neuroscience, medicine and so on. Brain computer interaction system based on motor imagination can assist motor imagery therapy and has a good application prospect.

                          In this paper, the design and implementation of brain computer interaction system based on motor imagination is completed. Because EEG signal is easily interfered in the acquisition process, the data should be preprocessed before signal processing to remove artifacts. In the following signal processing, we focus on the feature extraction of EEG signals. Firstly, we study the common spatial pattern algorithm, and then explore the most prominent cognitive rule of motor imagery signal: ERD / ERS phenomenon, and propose a parameter that can well distinguish four types of motor imagery: ERD / ERS energy coefficient. Finally, the wavelet packet transform is introduced, and a feature extraction method wpecsp is proposed, which extracts the approximate entropy of nodes after decomposing the original data, and inputs it into the classifier after fusing with CSP feature and ERD / ERS energy coefficient feature. The experimental results show that compared with CSP method, wpecsp improves the classification accuracy by 4.44%, The results show that the method is effective.

                          In the pattern classification of EEG signals, Fisher linear decision and SVM are compared In dealing with the contradiction between the two classifiers and the four classification tasks, the paper compares the "one-to-one" method and the repeated classification method; when the "one-to-one" method is adopted, the voting method and decision-making function value judgment methods are compared for the final output category judgment, and on this basis, a combination of voting and decision-making function is proposed The experimental results show that the classification recognition rate is effectively improved.

                          Finally, the influence of the time interval used in data processing on the experimental results is analyzed. According to the differences between the subjects, the optimal time interval is selected for classification, which effectively improves the classification accuracy.

                          In the construction of brain computer interaction system, the modeling and animation of soft robot are completed based on Maya, and the functions of offline training system and online subsystem are realized based on unity3d. The system can not only analyze EEG signals off-line, but also process and display the results in the form of soft robot action. It can give visual feedback to patients and assist motor imagery therapy, so as to improve the rehabilitation effect.

                          Key words: motor imagination; brain computer interaction system; common space pattern; wavelet packet transform; support vector machine

                        目錄

                          第 1 章 緒 論

                          1.1 課題背景及研究意義

                          人類的大腦是自然界這一生態系統很中最為復雜的一個,有 1000 億個神經細胞,而這些細胞之間又依靠突觸建立起了數以百萬億計的神經連接[1].不同神經細胞之間的組合產生了從宏觀到微觀多種層次的不同腦網絡。當大腦活躍時,信息通過腦網絡之間的神經連接,相互作用,執行大腦的復雜功能。

                          美國理事會于 1989 年聯合提出了將 90 年代命名為全球"腦的十年[2]"這一倡議,自此以后,對人類大腦的研究就成為了現代神經科學的首要任務之一。 2013 年 4 月,美國奧巴馬政府啟動了"美國腦計劃(BRAIN)",重視腦科學新工具和新技術的開發,希望以此為動力來推動面向基礎性研究的新興學科和新興產業的發展。與此同時,歐盟宣布啟動"人腦工程計劃(HBP)",這一計劃將作為其往后十年的"新興開發項目",該項目專注于用以超級計算機技術,來模擬大腦功能,為人工智能技術的發展創造了一個仿生學發展的新型研究平臺?梢钥闯,世界上各個國家之間已經開始一場關于"腦科學"的角逐,令人驚奇的是,很多專家盡管自身的研究領域不同,但一致認為腦計劃是一項足以比擬"人類基因組計劃"的重大科學項目[3],將成為學術界的強大動力。在這一時代背景下,中國也不甘落后,于 2016 與 2017 連續兩年發布與腦科學研究相關的文件,將其列入國家科學發展的戰略目標。除此之外,各地政府也紛紛推出了與當地科研水平相匹配的腦科學計劃。

                          大腦復雜的結構以及內部神經連接種類的多樣性使得大腦研究成為一項十分具有挑戰性的工作。1929 年,德國的一位名為 Ham Berger 的精神科教授第一次成功地記錄了有規律的腦電活動[4],在此之后的十幾年內,腦電信號(EEG)迎來了其迅速的發展,它通過記錄電極之間的電位差來反應大腦活動的變化,是目前最廣運用的腦科學研究技術之一。人的大腦掌管了人類的思維、情感、運 動等功能,通過分析和處理接收到的各種感知信息,可以給予體內神經及肌肉以控制信息,實現與外界的信息交換。

                          如今的很多疾病,如脊髓側索硬化癥即"漸凍癥"、脊髓損傷、肌萎縮等或者由于事故而非疾病造成的肢體受損與殘缺,在不同程度上破壞了人腦與外界進行交流的神經以及肌肉通路,這就使得這些人的大腦功能雖然是正常的,但是卻無法很好的執行大腦發出的指令,因此喪失了與外界交互的能力。為了改善這個問題,腦-機接口(BCI)[5]技術應運而生。它是一項完全不依賴外圍神經與肌肉等組成的正常通路的新型交互方式[6],在該技術下可以實現人腦與計算機等電子設備間的直接通信,使得人們可以繞過骨骼肌肉系統直接實現對外部設備的控制。對于那些思維正常,但是由于疾病或者意外事故喪失了對支持掌控權的患者來說,腦機交互系統是能幫助他們完成正常的日;顒拥囊粋新方式。

                          目前來說,在對上述那些有運動障礙的患者進行康復治療的過程中,主要有三種輔助方式被應用到 [7]:第一種,鍛煉沒有受到損傷的神經通路,使其有能自主的控制肢體,使用這一通路,而不是已經受到損傷的那部分傳導通路,實現與外界進的溝通;第二種,讓運動障礙受損的那部分直接接受電刺激,從而恢復其功能;第三種,運動想象療法,這種方法與第一種的目的類似,都是尋找受損神經通路的替代。

                          所謂運動想象療法[1],就是指進行重復性的運動想象,以提高運動能力。在此過程中是沒有真實的運動輸出的,會根據運動想象時建立的運動記憶激活患者大腦中與之對應的特定活動區域,重建大腦和肢體之間的神經傳輸"通路",基于這一"通路"訓練大腦,使之能夠重新獲得對肢體的控制能力,幫助患者實現恢復部分運動功能的目標。但是單純的運動想象強度對于腦區的刺激不夠強烈,可能導致療效緩慢。近些年來,隨著腦機接口技術的不斷發展,越來越多的基于運動想象的腦機交互系統涌現出來,并被廣泛的應用于康復領域。利用腦機交互系統,將患者的運動想象具化為軟體機器人的動作,給予被試視覺反饋,增強對相應腦區的刺激程度,加快治療速度。

                          運動想象(MI)[9]信號是腦機接口技術中應用較為廣泛的信號之一,它在患者進行運動想象過程中被記錄到?梢岳迷撔盘杹頇z測患者的運動意圖,然 后將其轉換為控制信號,用于腦機交互系統中的反饋控制,在另一個層面上去輔助患者完成"運動控制",從而完成了大腦與外界環境之間的交互。使用該系統進行康復訓練與傳統方式相比,不僅可以促進中樞神經系統的重塑[10],還具有很多其他優點,例如:(1)更為安全,運動想象的過程中是不需要患者進行真實運動的,對那些殘留運動功能極其微弱乃至完全癱瘓的患者來說,MI-BCI 更為合適;(2)更易上手,能夠在少量醫療專業人員的參與下進行康復訓練,并獲得持續性的監控與衡量,大大的節省了勞動力;(3)更能調動患者積極性,在每一次的訓練過程中,患者都能夠接收到有效的反饋,這會使得他們更愿意去參與到康復訓練中來,這一點是極為重要的,要知道,很多患者最終沒能康復并不是因為自身的情況多么的嚴重,而是因為康復過程過于痛苦,很多患者并沒有堅持下來。以上這些對于幫助患者恢復運動功能,進而重返社會生產活動有著重要意義。

                          除此之外,本課題的研究工作還可以為之后的工作做鋪墊,為之后的外骨骼設備的研發做前瞻性工作。

                          1.2 腦機接口的概念與分類

                          1.2.1 腦機接口的概念

                          腦機接口是近些年發展起來的一個學科交叉領域,1999 年 6 月在美國紐約召開的第一屆 BCI 大會上,給出了腦機接口的明確定義[11],即:腦機接口是一種基于大腦產生的神經活動而進行的新型交互手段,它完全不依賴于外圍神經和肌肉組成的正常通路,實現了腦與計算機的直接通信。

                          BCI 系統在幫助殘疾人方面的潛力是顯而易見的,目前已經有一些專為殘疾人設計的計算機接口(Wickelgren,2003)[12],但是這些系統都需要一些肌肉控制,比如說脖子、頭部、眼睛等。而腦機接口的優點在于,它可以是無意識神經活動的接口,比如說癲癇發作等等,因此腦機接口技術對于有嚴重殘疾或者無法活動的患者極其有幫助,因為他們并沒有可靠的肌肉來參與與周圍環境的互動。

                          一般而言,腦機交互系統分為三個組成部分[13],第一部分:信號采集系統:

                          這個部分主要負責使用信號采集設備采集腦電數據;第二部分:信號處理系統:

                          這個部分主要負責對第一部分采集到的數據進行處理,一般來說,處理流程為預處理、特征提取、模式分類,這個部分是腦機交互系統中最為關鍵的一個部分,通過這一部分,將采集到的腦電信號轉化為控制信號,作為第三部分的輸入;第三部分為外設及控制系統:這個部分主要負責執行第二部分傳入的控制信號,完成腦機交互。

                          BCI 系統的目的是允許用戶和設備交互。這種交互是通過各種中間功能組件、控制信號和反饋循環來實現的,基本框架如圖 1-1 所示。中間功能組件主要是將用戶的意圖轉化為操作時執行的特定功能。根據定義,這意味著用戶和設備也是 BCI 系統的組成部分。交互還需要通過反饋循環來實現,反饋循環用于通知系統中每個組件的狀態。

                          1.2.2 腦機接口的分類

                          從前段可以得知,腦機接口系統主要是通過分析腦電數據所呈現的大腦活動狀態來實現控制,根據腦機交互系統使用的信號源或分析方式的不同,可以將 BCI 系統分為以下幾種類型[14]: (1)基于 P300:在介紹 P300 之前,首先我們需要了解時間相關電位(ERP), 它是大腦在特定的外部或內部事件的固定時間后發生的鎖定時間的反映,這種電位通常發生在受到感覺或者聽覺刺激、心理事件或者不斷發生的刺激缺失的時候。

                          外源性 ERP 成分主要是對物理刺激的強制性反應,發生在對外部時間的處理過程中,但是與刺激在信息處理中的作用無關。比如,燈泡的隨機閃光會產生一種外源性成分,因為大腦對突然閃現的光線做出反應,而不受環境的影響。

                          內源性 ERP 成分是在處理內部事件時發生的,它依賴于刺激在任務中的作用以及刺激和環境之間的關系。例如,如果用戶嘗試在一個單詞中拼寫字母 R,那么如果出現字母 R,則會生成 ERP,因為這是用戶正在尋找的事件。然而如果用戶試圖拼寫字母 S,在呈現字母 R 的時候,就不會有 ERP 出現,因為刺激與發生刺激的上下文之間的關系不再有效。

                          P300 是 ERP 的一種,出現在事件發生之后的 300 毫秒左右。腦機接口領域的經典范式"oddball"就是基于 P300 的。在這一實驗中,被試接受到的刺激可以分成兩類,一類出現頻率較高,一類出現頻率很低,被試的任務是將這兩類區分開來。當頻率較低的刺激出現時,在事件發生之后的 300 毫秒左右將會有一個 P300 成分出現,這是一個大的正波,如圖 1-2 所示。P300 的顯著程度與刺激發生的概率呈負相關狀態。

                         。2)基于 ERD/ERS:事件相關(去)同步是一種特殊類型的 ERP,產生這類事件相關電位的原因是主要是控制神經網絡震蕩的因素發生變化,比如說感覺刺激或者心理意象。神經元同步程度的降低會導致特定頻段的功率降低,這種現象被稱為 ERD,可以通過信號幅值的降低來識別,在 α 頻段中 ERD 現象非常普遍,特別是在涉及到感知、記憶以及判斷的任務當中,增加任務的復雜性或注意力會方法 ERD 的程度。與之相反,ERS 的特征是特定頻段的功率增加。

                          ERD/ERS 是相對于基線或者參考區間進行計算的,所以其強度受到該區間節律變化的影響。

                          在運動想象或者真實運動任務中,ERD/ERS 的時間鎖定特性尤為明顯。如圖 1-3 所示,μ 節律中的 ERD 現象在運動開始前 2.5S 開始,運動開始后達到峰值,然后恢復到基線。β節律在運動開始前有一個短暫的 ERD 現象,并緊接著跟隨一個 ERS,在運動開始后達到峰值。當受到視覺刺激時,由于感覺信息的結合,也會在 40Hz(γ節律)附近發現震蕩和 ERS.

                         。3)基于 VEP:視覺誘發電位(VEP)是一種對視覺刺激做出反映的腦電圖成分,VEP 依賴于用戶對視覺的控制,因此需要連貫的肌肉控制。穩態視覺誘發電位(SSVEP)是一種常見的視覺誘發電位,它是一種外源性 ERP 成分,用戶視覺上關注屏幕上以不同頻率閃爍的兩個對象中的一個,當用戶將焦點轉移到另一個對象,然后返回基線時,SSVEP 成分將被放大。用戶可以繼續在屏幕上兩個對象之間進行焦點切換,以產生信號的變化。

                          1.3 基于運動想象的腦機交互系統的研究發展現狀

                          1929 年,Hans Berger[15]發明了一種后來被稱為腦電圖的儀器,它可以記錄大腦活動產生的電位。然而,在很長的一段時間內,這仍然是一種猜想。后來隨著科技水平的不斷發展,研究不斷深入,越來越多的腦科學研究小組不斷涌現。而在當代腦科學領域,基于運動想象的腦機交互系統已經成為了一個炙手可熱的研究方向,它是一門由生物醫、計算機、通信、信號處理等多門學科交雜而成的跨學科科目,目前已經有很多學者致力于這方面的研究,并取得了不錯的成果。

                          1.3.1 國外研究現狀

                          回顧腦機接口的發展歷史我們可以看出,率先進行此項研究的學者大多來自國外的研究機構,相對來說技術也更為成熟。1978 年,英國的 Mike Top-ping公司推出了一款名為 Handy1[16]的輔助型機器人,可以說這是最早脫離實驗室的康復型機器人。Handy1 有 5 個自由度,可以輔助殘疾人完成一些日;净顒,例如說在桌面高度完成吃飯動作。在之后該公司還推出了其進階版本 Handy2,這一版本的機器人具備了更多的功能,比如說幫助殘疾人進行清潔、刷牙等,如圖 1-4 所示。

                          隨著科技的不斷革新,再加上醫療水平不斷上升,腦機接口的應用不再局限于輔助型機器人,而將目光更多的投向了康復治療,一時間,大量的康復治療型機器人涌現出來。其中出現較早的就是由 Krebs 和 Hogan 于 1998 年共同研發成功的 MIT-Manus[17],這是一款輔助腦神經進行康復訓練的機器人。主要的受眾是那些腦卒中患者,他們可以使用該款機器人進行上肢的康復訓練。在經過一段時間的使用效果跟蹤調查后,我們發現使用該款機器人的患者相較于進行傳統康復訓練來說取得了更好的效果。

                          2000 年,腦科學研究領域誕生了一項里程碑式的成果,來自美國 Duke 大 學的學者在猴子的大腦運動皮層中植入了電極,并通過這種方法采集到了猴子在完成指定任務時所產生的大腦皮層電位變化。在進行反復的訓練之后,找到了與指令相關的運動敏感區域,通過對這一區域大腦活動的檢測,可以在很短的時間內檢測出猴子的運動傾向,并將這一預測結果轉化為機械臂的控制輸入,從而驅動機械臂完成相應的動作,實現了猴子自己控制機械臂[18],如下圖所示。

                          通過這個實驗,讓更多的人認識到了通過運動想象技術幫助癱瘓患者完成日;顒拥目赡苄。

                          Duke 大學的研究雖然取得了很好的效果,但是由于采用侵入式的方法采集腦電,危險系數過高,很難引申到人類身上。2011 年 Gomez-Rodriguez M[19]等人針對該問題做出了新的嘗試。在這一研究小組的共同努力下,一款使用電極帽采集 MI-EEG 的康復系統,該系統可以記錄被試進行手臂運動想象時的腦電信號,并據次在線識別被試的運動傾向,然后將識別結果轉化為控制信號,驅動機械臂輔助被試進行運動,形成反饋回路,刺激相應的腦區。根據神經可塑性[20]原理,這一方式可以很好的加速治療,如圖 1-6 所示。

                          關于腦機交互系統是否能有效的作用于神經康復這一問題,Kai Keng Ang等[21]通過三個實驗來論證其有效性。第一個實驗是驗證腦機交互系統是否可以觸發機器人反饋,進行了多組對照實驗,結果表明,82%的被試在實驗過程中均出現了機器人反饋,也就意味著在實驗過程中 82%的人可以正常使用腦機交互系統:第二個實驗是驗證觸發的機器人的反饋與腦機交互系統中的指令是否一致,實驗結果表明,60%的被試反應機器人的反饋與指令較為一致,達到了 70%以上,也就是說,60%以上的實驗其分類正確率達到了 70%以上。第三個實驗則是驗證患者使用腦機接口系統對于康復是否有效,進行對照試驗,被試分別使用腦機交互系統和進行物理練習,中風患者在經過腦機交互系統治療之后對其進行 Fugl-Meyer 運動功能評分,試驗結果表明,運動積分有明顯改善,達到4.54.綜上所述,患者在使用腦機交互系統時,可以得到有效的反饋,作用于形影的腦區,促進神經康復。

                          對于腦電信號的處理,研究人員已經做了諸多嘗試。在特征提取方面,包括了小波變換(WT)[22]、功率譜密度(PSD)[23]、自回歸模型(AR 模型)[24]等等,其中共空間模式(CSP)[25]是目前應用最為廣泛且效果最好的特征提取方法之一。自從公共空間模式在腦機接口領域取得了很好的成果之后,就涌現出很多對 CSP的改進方法,比如共稀疏頻譜空間模式(CSSSP)[26]、子帶共空間模式(SBCSP)[27]、濾波器組共空間模式(FBCSP)[28]等、判別濾波組共空間模式(DFBCSP)[29]等。在模式分類方面,嘗試了支持向量機(SVM)[30-31]、神經網絡(NN)[32]、隱馬爾科夫模型(HMM)[33]等等。以上這些方法,在自己的應用場景中,都取得了較為不錯的效果。

                          1.3.2 國內研究現狀

                          相對而言,國內的研究較少,但不可否認的是有很多小組都取得了不錯的成績。李遠清[34]教授和他的團隊基于 P300 與運動想象研發了一款腦機交互系統,使用該系統實現了對光標的控制;天津大學的 Jiang sheng Long 等[35]對一款腦機交互系統展開了研究,如圖 1-7 所示。該系統使用非侵入方式采集腦電數據,并采用 CSP 進行特征的提取,使用 SVM 對提取到的特征進行分類得到分類結果,再將此分類結果轉化為控制信號,控制功能性電刺激(FES)的觸發,使其作用于患者促進他進行進一步的運動想象,在進行了一系列的實驗結果追蹤調查后,驗證了該系統在幫助患者恢復部分運動功能上的有效性。

                          清華大學的高上凱小組[36]是國內最早開展基于運動想象的腦機交互技術研究的團隊,他們設定了左手、右手以及腿部這三種運動指令,并通過對這三種動作的運動想象實現了對機械狗的移動控制,實驗結果表明,分類正確率較高,達到了世界領先水平。山東科技大學 Sun[37]等人也進行了同樣的基于 MI 的BCI 研究,實現了在線控制機器人進行上肢運動。且運動動作不再僅僅局限于抬手,而是增加了類似于抓放小球、肘關節內外旋等高難度任務,實現了對機械臂更為精準的控制。

                          緊隨其后,國內其他高校也展開了與腦機交互系統相關的研究工作。上海交通大學團隊針對 事件相關(去)同步現象展開了深入研究,研究重點在ERD/ERS 現象的持續時間上,并以此基礎上創完成了基于累計增量控制策略的異步腦機接口系統的研發工作;華中科技大學在腦科學領域主要進行的研究是在線機器人控制策略,通過腦電信號完成對機械臂的控制。

                          1.4 本文的主要研究內容及組織結構

                          本論文中各章節的具體內容如下:

                          第 1 章首先講述了課題背景與研究意義,以及腦機接口系統的基本概念,闡明了腦機接口研究的重要性,緊接著總結了腦機接口領域目前的國內外研究現狀,可以看出越來越多的專家學者投入到了腦科學的研究當中,為后續的研究奠定了理論基礎。 第 2 章首先介紹了腦電信號是如何產生的以及有哪些特點,在此基礎上講述了腦電信號采集的方法。緊接著介紹了本課題實驗所使用的數據集,以及對該數據集的數據預處理過程。

                          第 3 章首先對腦電信號特征提取領域中應用最為廣泛的方法:共空間模式展開了詳細介紹,緊接著對腦電數據進行了事件相關(去)同步認知規律的研究。

                          并為了彌補共空間模式缺少頻域信息這一缺點,對挑選出的電極進行了小波包變換,并比較了提取近似熵與樣本熵兩種方法,最終確定了本文特征提取使用的方法。

                          第 4 章主要對第 3 章提取到的特征進行分類方法的探究,比較了 Fisher 線性判決與支持向量機的分類效果,針對二分類器與四分類任務之間矛盾,提出了兩種方法來解決。最終確定了本文信號處理的框架。

                          第 5 章主要對腦機交互系統的搭建工作進行了介紹,該系統包括離線子系統與在線子系統。

                          第2章腦電信號概述與預處理
                          2.1腦電信號基本理論
                          2.1.1大腦的結構與功能
                          2.1.2腦電的產生機制
                          2.1.3腦電信號的分類
                          2.1.4腦電信號的特點
                          2.2腦電信號的采集
                          2.3實驗數據
                          2.4數據預處理
                          2.5本章小結

                          第3章運動想象信號特征提取算法的研究
                          3.1基于CSP的特征提取
                          3.1.1CSP算法
                          3.1.2基于CSP的多分類特征提取
                          3.1.3實驗結果分析
                          3.2ERD/ERS的計算
                          3.3基于小波包變換的特征提取
                          3.3.1小波包分解
                          3.3.2小波基的選擇
                          3.3.3近似熵與樣本熵
                          3.3.4實驗結果分析
                          3.4WPECSP特征提取方法
                          3.5本章小結

                          第4章運動想象信號的模式分類
                          4.1FISHER線性判決
                          4.2支持向量機
                          4.3多任務下的模式分類
                          4.3.1"一對一"方法中輸出類別的判斷
                          4.3.2重復二分法
                          4.4FLD與SVM的比較
                          4.5最優時間區間
                          4.6本章小結

                          第5章基于運動想象的腦機交互系統
                          5.1軟體機器人的建模與動畫制作
                          5.2腦機交互系統的設計與實現
                          5.2.1離線子系統
                          5.2.2在線子系統
                          5.3腦機交互系統的測試
                          本章小結

                        結 論

                          腦機交互系統涉及到了很多學科,是一個近幾年來興起的交叉研究領域,它的實質是通過對腦電信號的分析來推斷用戶的想法,并最終完成人機交互。

                          在眾多的腦機接口系統中,本課題主要研究的是基于運動想象的腦機交互系統,它主要受眾是那些思維正常但是肢體受限的患者,輔助他們進行運動想象療法,從而達到恢復一定運動功能的目的。

                          本文針對這一目的,致力于運動想象認知規律研究,并在這些認知規律的指導下進行了腦電信號處理技術的研究,現總結如下:

                          首先研究了經典腦信號特征提取方法 CSP,并根據其較易受頻段影響的特點,對信號進行了頻帶濾波;緊接著研究了運動想象腦電中最主要的認知規律:

                          ERD 與 ERS 現象,并在此基礎上提出了 ERD/ERS 能量系數這一指標,由于運動想象 C3、C4、Cz 最為相關,所以只對這三個導聯提取了能量系數,結果表明對四類運動想象任務具有很好的區分度。之后研究了常用的時頻分析方法小波包變換,并提取分解后信號的近似熵以及樣本熵作為特征進行分類,最終提出了一種結合小波包變換、CSP 與 ERD/ERS 能量系數的方法 WPECSP,實驗結果表明,有效的提升了分類正確率其次,在腦電數據的模式分類階段,考慮到對信號進行在線處理及時響應的需求以及運動想象腦電信號數據量極小這一特點,比較了 FLD 與 SVM 兩種分類器的效果,并使用"一對一"方法解決了二分類器與四分類任務之間的矛盾,在最后的類別判斷階段,比較了投票法與判決決策函數值兩種方法,并在此基礎上,提出了一種將兩者結合起來的方法,實驗結果表明,有效的提高了分類正確率。緊接著,最后,分析了數據處理所使用的時間區間對實驗結果的影響,針對被試個體之間的差異性,選取最優時間區間進行分類,有效的提高了分類正確率。

                          最后完成了腦機交互系統的搭建工作,考慮到不同被試對運動想象指令的理解差異性,在運動想象過程中,增加了教學視頻這一模塊,減小了被試在接受視覺反饋時因為對動作理解不一致而帶來的落差。

                          本文雖然在上述的研究方向中取得了一定的成果,但是由于時間不足且本人能力有限,所以還有很多不足之處,有待后期的進一步研究。下面將一一列出:

                         。1)在小波包分解階段,僅僅取 C3、C4 和 Cz 這三個電極通道的數據在針對腳和舌的運動想象時分類效果較差,只有 50%左右的分類正確率,遠低于四類運動想象兩兩組合時其他 5 組 85%以上的分類結果。雖然在最后的分類模式中沒有使用近似熵與樣本熵作為特征,但是 ERD/ERS 能量系數的計算也是在這三個導聯上進行了,所以同樣對分類精度產生了影響。后期可以對認知規律進行進一步的研究,找到能較好區分腳舌兩類信號的電極。

                         。2)在腦機交互系統中,目前僅有離線訓練子系統與在線運動子系統這兩個模塊,無法給只有一處肢體由運動障礙的患者提供針對行的訓練,雖然系統中已經完成了對個人信息進行采集功能,但并沒有將這個信息落到實處,在后續的工作中考慮增加專項訓練模塊,根據用戶的需求對系統進行自主調節。


                          參考文獻
                          [1] Havaei M, Davy A, Warde-Farley D, et al. Brain tumor segmentation with DeepNeural Networks[J]. Medical Image Analysis, 2017, 35:18-31.
                          [2] 施錦河。 運動想象腦電信號處理與 P300 刺激范式研究[D]. 杭州:浙江大 學電路與系統學科博士學位論文,2012:15-20.
                          [3] Wolpaw J R, Birbaumer N, Heetderks W J. et al. Brain-computer interfacetechnology: a review of the first international meeting [J]. IEEE transactions onrehabilitation engineering, 2000, 8(2): 164-173
                          [4] Hinterberger T, Kübler A, Kaiser J, et al. A brain–computer interface (BCI) forthe locked-in:comparison of different EEG classifications for the thoughttranslation device[J]. Clinical Neurophysiology, 2003, 114(3):416.
                          [5] Chaudhary U, Xia B, Silvoni S, et al. Brain–Computer Interface–BasedCommunication in the Completely Locked-In State:[J]. Plos Biology, 2017,15(1):e1002593.
                          [6] 李青敏,李忠正等。 基于 EEG 腦機接口的研究現狀及在康復中的應用[J] .北京生物醫學工程,2017,36(3):310-316.
                          [7] 慕思雨,許敏鵬等。 經顱電刺激在卒中后運動康復領域的研究進展[J] . 中國生物醫學工程學報,2018(1)[8] 楊帆, 桑德春, 張曉鈺,等。 運動想象療法對腦卒中患者運動功能康復的效果[J]. 中國康復理論與實踐, 2017, 23(9):1081-1085.
                          [9] Tabar Y R, Halici U. A novel deep learning approach for classification of EEGmotor imagery signals[J]. Journal of Neural Engineering, 2017, 14(1):016003.
                          [10] 劉小燮,畢勝,高小榕等。 基于運動想象的腦機交互康復訓練新技術對大腦可塑性的影響 [J] . 中國康復醫學雜志,2015,28(2):97-102.
                          [11] Li Y , Pan J , Wang F , et al. A hybrid BCI system combing P300 and SSVEPand its application to wheelchair control[J]. IEEE transactions on bio-medicalengineering, 2013, 60(11)。
                          [12] Wickelgren I . Neuroscience. Tapping the mind.[J]. Science, 2003,299(5606):496-9.
                          [13] 王斐, 張育中, 寧廷會, et al. 腦-機接口研究進展[J]. 智能系統學報, 2011,6(03):189-199.
                          [14] Vallabhaneni A , Wang T , He B . Brain-Computer Interface[J]. 2005.
                          [15] Tudor M .[Hans Berger (1873-1941)--the history of electroencephalography].[J].Acta Medica Croatica C?asopis Hravatske Akademije Medicinskih Znanosti,2005, 59(4):307.
                          [16] M Tonolini. Appendiceal mucocele in ulcerative colitis:a rare association and acrucial preoperative diagnosis[J].Journal of Gastrointestinal and LiverDiseases:JGLD, 2015, 24(1): 128-9.
                          [17] Magazzino F, Katsaros D, Ottaiano A, et al. Surgical and medical treatment ofclear cell ovarian cancer: results from the multicenter Italian Trials in OvarianCancer (MITO) 9 retrospective study.[J]. Journal of Hepatology, 2016,56(5):S392-S393.
                          [18] Mussaivaldi S. Neural engineering: Real brains for real robots[J]. Nature, 2000,408(408):305-306.
                          [19] [14] Rodriguez M G, Leskovec J, Schoelkopf B. Modeling InformationPropagation with Survival Theory[J]. Philosophical Magazine Letters, 2013,95(2):85-91.
                          [20] Gomez-Rodriguez M, Peters J, Hill J, et al. Closing the sensorimotor loop:haptic feedback facilitates decoding of motor imagery[J]. Journal of NeuralEngineering, 2011, 8(3):036005.
                          [21] Kai K A, Guan C. Brain–Computer Interface for Neurorehabilitation of UpperLimb After Stroke[J]. Proceedings of the IEEE, 2015, 103(6):944-953.
                          [22] Legarreta I R , Addison P S , Reed M J , et al. CONTINUOUS WAVELETTRANSFORM MODULUS MAXIMA ANALYSIS OF THEELECTROCARDIOGRAM: BEAT CHARACTERISATION AND BEAT-TOBEAT MEASUREMENT[J]. International Journal of Wavelets, Multiresolutionand Information Processing, 2005, 03(01):19-42.
                          [23] Filho C A S , Attux R , Castellano G . EEG sensorimotor rhythms' variationand functional connectivity measures during motor imagery: linear relations andclassification approaches[J]. Peerj, 2017, 5(4):e3983.
                          [24] Lin S , Guo S , Huang Z . Determining AR order for BCI based on motorimagery[C]// International Conference on Biomedical Engineering &Informatics. IEEE, 2016.
                          [25] Robinson N , Vinod A P , Guan C , et al. A Wavelet-CSP method to classify handmovement directions in EEG based BCI system[C]// ICICS 2011 - 8thInternational Conference on Information, Communications and SignalProcessing. IEEE, 2011.
                          [26] Gouypailler C , Congedo M , Jutten C , et al. Model-Based Source Separationfor Multi-Class Motor Imagery[C]// European Signal Processing Conference.IEEE, 2008.
                          [27] Quadrianto N , Cuntai G , Dat T H , et al. Sub-band common spatial pattern(SBCSP) for brain-computer interface[C]// International IEEE/EMBSConference on Neural Engineering. IEEE, 2007.
                          [28] Ang K K , Chin Z Y , Zhang H , et al. Filter Bank Common Spatial Pattern(FBCSP) in brain-computer interface[C]// IEEE International Joint Conferenceon Neural Networks. IEEE, 2008.
                          [29] Thomas K P , Guan C , Tong L C , et al. Discriminative FilterBank selection andEEG information fusion for Brain Computer Interface[C]// IEEE InternationalSymposium on Circuits & Systems. IEEE, 2009.
                          [30] Bhattacharyya S , Konar A , Tibarewala D N . Motor imagery, P300 and errorrelated EEG-based robot arm movement control for rehabilitation purpose[J].Medical & Biological Engineering & Computing, 2014, 52(12):1007-1017.
                          [31] Islam M , Ahmed T , Yusuf M S U , et al. Cognitive State Estimation by EffectiveFeature Extraction and Proper Channel Selection of EEG Signal[J]. Journal ofCircuits, Systems and Computers, 2015, 24(02):1540005.
                          [32] Ana Branka Jerbic,Petar Horki, Hilbert-Huang Time-Frequency Analysis ofMotor Imagery EEG Data for Brain-Computer Interfaces[J].IfmbeProceedings,2015:62-65.
                          [33] Saa J F D , ?etin, Müjdat. Hidden conditional random fields for classificationof imaginary motor tasks from EEG data.[C]// European Signal ProcessingConference. IEEE, 2015.
                          [34] Li Y , Long J , Yu T , et al. An EEG-Based BCI System for 2-D Cursor Controlby Combining Mu/Beta Rhythm and P300 Potential[J]. IEEE transactions onbio-medical engineering, 2010, 57(10):2495.
                          [35] Jiang S, Chen L, Wang Z, et al. Application of BCI-FES system on strokerehabilitation[C]// International Ieee/embs Conference on Neural Engineering.IEEE, 2015:1112-1115.
                          [36] Tung S W, Guan C, Ang K K, et al. Motor imagery BCI for upper limb strokerehabilitation: An evaluation of the EEG recordings using coherence analysis[J].Conf Proc IEEE Eng Med Biol Soc, 2013, 2013:261-264.
                          [37] Kai K A, Guan C. Brain–Computer Interface for Neurorehabilitation of UpperLimb After Stroke[J]. Proceedings of the IEEE, 2015, 103(6):944-953.
                          [38] Svanidze I K , Museridze D P , E. V. Didimova… Disordered Neurogenesis inCortical and Subcortical Limbic System Structures in the Rat Brain in FetalAlcohol Syndrome[J]. Neuroscience and Behavioral Physiology, 2013,43(3):341-345.
                          [39] Three-dimensional maximum probability atlas of the human brain, withparticular reference to the temporal lobe[J]. Human Brain Mapping, 2003,19(4):224-247.
                          [40] Doyle J , Ornstein R , Galin D . Lateral Specialization of Cognitive Mode: II.
                          EEG Frequency Analysis[J]. Psychophysiology, 1974, 11(5):567-578.
                          [41] 崔冬。 多通道腦電信號建模及同步分析[D].燕山大學博士學位論文,2011:7-8[42] Okamoto M , Dan H , Sakamoto K , et al. Three-dimensional probabilisticanatomical cranio-cerebral correlation via the international 10 –20 systemoriented for transcranial functional brain mapping[J]. NeuroImage, 2004,21(1):99-111.
                          [43] Blakemore S J , Sarfati Y , Bazin N , et al. The detection of intentionalcontingencies in simple animations in patients with delusions of persecution[J].Psychological Medicine, 2003, 33(8):1433-1441.
                          [44] Pfurtschelle G . Event-related EEG/MEG synchronization anddesynchronization : basic principles[J]. Clin Neurophysiol, 1999, 110.
                          [45] Matsunaga T , Katayama Y , Hayami T , et al. Measurements of the mu/betaERD and gamma ERS during the imagination of body parts movement[C]//International Conference of the IEEE Engineering in Medicine & BiologySociety. IEEE, 2008.
                          [46] Ting W , Guo-Zheng Y , Bang-Hua Y , et al. EEG feature extraction based onwavelet packet decomposition for brain computer interface[J]. Measurement,2008, 41(6):618-625.
                          [47] Stéphane, Mallat. A Wavelet Tour of Signal Processing || Sparsity in RedundantDictionaries[J]. 2009:611-698.
                          [48] Ocak H . Ocak, H.: Automatic Detection of Epileptic Seizures in EEG usingDiscrete Wavelet Transform and Approximate Entropy. Expert Syst. Appl. 36,2027-2036[J]. Expert Systems with Applications, 2009, 36(2):2027-2036.
                          [49] Cukic M , Pokrajac D , Stokic M , et al. EEG machine learning with Higuchifractal dimension and Sample Entropy as features for successful detection ofdepression[J]. 2018.
                          [50] 趙海濱, 顏世玉, 于清文, et al. 采用 Fisher 線性判別分析進行 MEG 信號的分類[J]. 東北大學學報(自然科學版), 2013, 34(12):0-0.
                          [51] Wan B , Liu Y , Ming D , et al. Feature Recognition of Multi-Class ImaginaryMovements in Brain-Computer Interface[C]// IEEE International Conference onVirtual Environments. IEEE, 2009.
                          [52] 曾慶山, 范明莉, 宋慶祥。 基于 CSP 與卷積神經網絡算法的多類運動想象腦電信號分類[J]. 科學技術與工程, 2017(27):149-154.
                          [53] 孫靚, 盧大瑋, 劉亮,等。 面向三維立體動畫制作的視差可視化調節方法設計與實現[J]. 計算機輔助設計與圖形學學報, 2017, 29(7):1245-1255.
                          [54] 翟浩澎。 MAYA 三維動畫制作技術[J]. 藝術研究, 2017(3):42-43.

                        致 謝

                          兩年的時光稍縱即逝,碩士生活就這樣走到了終點,回過頭看,感慨頗多。

                          這是成長極其迅速的兩年,遇到過困難、經歷過迷茫、揮灑過汗水、也體驗過喜悅。這兩年可以說是我人生的轉折點,在這里遇到了太多太多的人生第一次,但不可否認的是,無論是喜悅還是挫折,都是漫長歲月長河中一段閃著光的記憶。黃碧云說,如果有天我們湮沒在了人潮之中,庸碌一生,那是因為我們沒有努力活得豐盛。所以,要努力呀!在這里要感謝這一路幫助我不斷學習、不斷成長的老師、學長和同學。

                          首先要感謝導師馬琳副教授,論文從定題到寫作再到定稿,傾注了老師大量的心血。馬老師在學術和工作中嚴謹認真,尤其注重論文寫作的邏輯性與嚴謹性,為了解決一個很小的問題,可以和我們討論到深夜,直到得出滿意的結果。而在生活上,馬老師就像是母親一樣,無微不至的關懷著我們,在我感情受挫心情低落的時候,一直在開導我,讓我更快的走了出來。

                          我還要感謝李海峰教授,李老師更多的是在科研上為我們展現了榜樣的力量,讓我感受到了什么是科研人應該呈現出來的樣子。不僅在科研理論上可以以嚴謹的思維、踏實的態度、勤奮的作風不斷的鞭策著我前進,同時還在為人處世方面教會了我許多東西,讓我明白無論做任何事情,都是先做人。這將在我未來的道路上起著重要的作用,時刻提醒著我,激勵著我。很幸運能夠成為馬老師和李老師的學生,進入這樣一個溫暖的大家庭。

                          感謝實驗室的師兄徐聰、薄洪健、豐上、李洪偉等,他們不但在研究和工作中給我提供了巨大的幫助,還使我體會到了多樣性思維和認知激蕩的樂趣。

                          感謝實驗室的崔宇欣、邵晨智、于鯤鵬等同學,以及熊文靜等所有的師弟師妹們,與他們在研究和生活中的交流使我拓展了視野,看到和學到了很多不一樣的東西,這些東西對我來說彌足珍貴。

                          最后,謝謝父母對我的默默奉獻和支持,以及在我身邊和不在我身邊的,時刻鼓舞我前進的朋友們!

                        (如您需要查看本篇畢業設計全文,請您聯系客服索。


                        相關內容
                        相關標簽:計算機畢業設計
                        好優論文定制中心主要為您提供代做畢業設計及各專業畢業論文寫作輔導服務。 網站地圖
                        所有論文、資料均源于網上的共享資源以及一些期刊雜志,所有論文僅免費供網友間相互學習交流之用,請特別注意勿做其他非法用途。
                        如有侵犯您的版權或其他有損您利益的行為,請聯系指出,論文定制中心會立即進行改正或刪除有關內容!
                        免费看男阳茎进女阳道视频