模拟阅读型脑-机接口信号分类研究

摘要

脑-机接口(BCI)研究中的一个关键问题是如何正确地对EEG信号进行模式分类,以输出控制命令.本文在对"模拟自然阅读"模式下非靶刺激和靶刺激诱发的EEG进行去均值、低通滤波、下采样和归一化等处理后,结合对视觉诱发事件相关电位时域特征分析,提取出最佳特征量,分别利用BP神经网络和线性感知器算法对这些特征模式进行了分类.最终平均识别正确率分别达到87%和84%以上.对比研究表明,BP神经网络算法的分类效果较好,推测这是由于大部分EEG模式线性可分,只有10%左右线性不可分但非线性可分造成的.为提高分类正确率,简化BCI设计,详细研究了信号时程、时段的选择以及通道的选取对模式分类精度的影响.结果表明,信号时程越长分类精度越高;信号时段的选择对分类精度亦有较大的影响.通过实验发现:32个通道中,选取第14(PO3)通道的EEG进行模式分类的精度最高.

关键词

脑-机接口 / 模式识别 / BP神经网络 / 感知器算法