《基于贝叶斯网络的运动想象脑电数据分析1.pdf》由会员分享，可在线阅读，更多相关《基于贝叶斯网络的运动想象脑电数据分析1.pdf（88页珍藏版）》请在三一文库上搜索。
1、 A dissertation submitted to Tongji University in conformity with the requirements for the degree of Master of Engineering April，2014 Candidate: Liu Bin Student Number: 1131818 School/Department: School of Electronics and Information Discipline: Engineering Major: Pattern Recognition and Intelligent
2、 System Supervisor: A.P. Liang-Hua He Motor Imagery EEG data analysis based On Bayesian Network 万方数据 基基 于于 贝贝 叶叶 斯斯 网网 络络 的的 运运 动动 想想 象象 脑脑 电电 数数 据据 分分 析析 刘刘 斌斌 同同 济济 大大 学学 万方数据 学位论文版权使用授权书学位论文版权使用授权书 本人完全了解同济大学关于收集、保存、使用学位论文的规定， 同意如下各项内容：按照学校要求提交学位论文的印刷本和电子版 本；学校有权保存学位论文的印刷本和电子版，并采用影印、缩印、 扫描、数字化或其它
3、手段保存论文；学校有权提供目录检索以及提供 本学位论文全文或者部分的阅览服务； 学校有权按有关规定向国家有 关部门或者机构送交论文的复印件和电子版； 在不以赢利为目的的前 提下，学校可以适当复制论文的部分或全部内容用于学术活动。 学位论文作者签名： 年 月 日 万方数据 同济大学学位论文原创性声明同济大学学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师指导下，进行 研究工作所取得的成果。除文中已经注明引用的内容外，本学位论文 的研究成果不包含任何他人创作的、 已公开发表或者没有公开发表的 作品的内容。对本论文所涉及的研究工作做出贡献的其他个人和集 体，均已在文中以明确方式标明。
4、本学位论文原创性声明的法律责任 由本人承担。 学位论文作者签名： 年 月 万方数据 同济大学 硕士学位论文 摘要 I 摘要摘要 脑-机接口（Brain Computer Interface, BCI）技术指的是能够使人在无外周神 经系统和肌肉组织参与的条件下，通过计算机等电子设备输出控制信号，进而与 外界环境进行通信、交流的一种新型人机交互手段。近年来，基于脑电的脑机接 口技术成为脑科学、神经医学、康复工程、人工智能、模式识别等众多领域的热 点研究和前言课题，并逐步发展成为一门新兴的多学科交叉技术。 脑-机接口技术关键在于对脑电信号的正确识别和分类，然而是由于脑电信 号具有随机性、 非平稳、
5、易受干扰等特点， 对脑电信号的特征提取成为难点问题， 导致了难以准确的对脑电信号进行分类。 本文以左右手运动想象脑电信号为研究 对象，以贝叶斯网络为分析工具，从脑电信号的采集和预处理、结构学习、判别 分类三个方面展开说明和研究， 并实现了基于贝叶斯网络的运动想象模式判别系 统。针对运动想象脑电信号的判别，本文的主要工作如下： 1）设计左右手运动想象脑电实验，采集相应的脑电数据。并对采集得到的 脑电数据进行相关预处理操作，包括去除眼电干扰、调整数据格式及设计数字滤 波器等。 2）基于离散变量贝叶斯网络的运动想象脑电数据研究。这一研究的关键之 处在于对脑电数据的离散化，由于目前脑电数据并不存在标准
6、化离散方式，本文 根据脑电数据的特性从时域角度和频域角度来进行离散化处理， 并探讨不同离散 化方式的影响。时域方面针对脑电信号的幅值特性进行离散化，而在频域范围内 则是针对脑电信号的能量特征进行离散化。 3）基于连续变量贝叶斯网络的运动想象脑电数据判别研究。为了尽可能的 描述出脑电数据分布特性，本文中构建基于高斯分布的贝叶斯网络，也即是利用 高斯模型来对描述复杂分布脑电数据，并在搜索过程中，充分考虑各导联之间脑 电数据的相关性及生理学上导联信息传递的过程， 确定各个导联的可能存在的父 子结点集，并以此作为约束条件，进行搜索过程，最终确定贝叶斯网络结构。 4）对运动想象脑电信号进行程序化设计，完
7、成了基于贝叶斯网络方法的运 动想象模式的判别系统，通过该系统即可实现对左右手运动想象模式的判别。 本文所有算法都是基于左右手运动想象脑电信号，并通过 MATLAB 进行验证 和测试。通过对两种不同的实验数据进行了判别，实验结果表明本文基于连续变 量贝叶斯网络的方法具有良好的运动想象模式判别效果。 关键词：关键词：脑电图 ，脑机接口，贝叶斯网络，结构学习，高斯模型，结构学习 万方数据 Tongji University Master/Doctor of Philosophy Abstract II ABSTRACT Brain-computer interface (BCI) is a new
8、human-computer communication system which does not depend on the normal output pathways of peripheral nerves and muscles, and output control signal by computers. Recently, BCI technology based on EEG (electroencephalograph) has become a research hotspot in the fields of brain science, neurology, reh
9、abilitation engineering, artificial intelligence, pattern recognition, and gradually become a new interdisciplinary technology. The key of BCI technology lies in how to identify and classify EEG signal correctly. However, as EEG signal is randomness, non-stationary and susceptible to interference, i
10、t becomes difficult problems to extract EEG feature which may leads poor accurately of the EEG classification. Based on left and right hand motor imagery EEG data, this paper described the following aspects; EEG acquisition and pre-processing, structure learning, classification, and Bayesian network
11、 is applied as the analysis tool. Also, the motor imagery EEG data discrimination system based on Bayesian network is realized in this paper. The main research work of this paper includes the following aspects: 1) Motor imagery experiment is designed, and collecting the corresponding EEG data. Carry
12、ing out preprocessing operations for the EEG data, including the removal of EOG interference, adjusting the data format and filtering. 2) Motor imagery data analysis based on Bayesian network with discrete variables. The key point of this study is to discrete EEG data, since there does not exist EEG
13、 data standardized discrete manner currently, so in the paper discrete methods is proposed within time-domain and frequency-domain respectively according to the characteristic of EEG data, and comparing the effects of different discrete methods. For the time-domain aspects, EEG data is discrete by a
14、mplitude characteristics; while for the frequency-domain aspects, EEG data is discrete by energy characteristics. 3) Motor imagery data discrimination based on Bayesian network with continuous variables. In order to describe the distribution characteristics of EEG data, in this paper Gaussian distri
15、bution is applied in Bayesian network structure learning , that is, using the Gaussian model to describe the complex distribution of EEG data. During the structure learning process, the candidate parent-children node sets for 万方数据 Tongji University Master/Doctor of Philosophy Abstract III every node
16、 are determined by fully considering the EEG data correlation and the information flow between different channels. And using the candidate parent-children node sets as constraints in searching process to identify the Bayesian network structure. 4) Make a program design of the motor imagery EEG data
17、discrimination process, and complete the motor imagery discrimination system based on Bayesian network. By using this system, the left-right hand motor imagery mode can be discriminated. In this paper, all the processing algorithms are proposed based on motor-imagery EEG data, and they are realized
18、and tested by MATLAB. Two different datasets are applied on the proposed algorithms, the experimental results shows the effectiveness of method based on Bayesian network with continuous variables, for motor imagery pattern discriminating. Keywords: EEG, Brain-Computer Interface, Bayesian Network, Ga
19、ussian Model, Structure Learning 万方数据 同济大学 硕士学位论文 目录 IV 目录目录 第 1 章 绪论. 1 1.1 课题研究意义 . 1 1.2 脑电信号概述 . 1 1.2.1 脑电信号的产生机理及分类 . 2 1.2.2 脑电信号特点 . 3 1.2.3 脑电信号采集 5 1.2.4 基于脑电的主要研究方向 6 1.3 本文主要研究内容和结构安排 7 第 2 章 基于脑电 BCI 的研究概述 9 2.1 BCI 简介 9 2.1.1 BCI 基本概念 9 2.1.2 BCI 基本组成 10 2.1.3 BCI 的分类 11 2.1.4 BCI 的应用
20、12 2.2 BCI 的研究现状 13 2.2.1 BCI 主要研究方向 13 2.2.2 常用的脑电数据分析方法 17 2.2.3 前人工作总结 18 本章小结 22 第 3 章 基于离散变量贝叶斯网络的运动想象模式判别研究. 23 3.1 贝叶斯网络概述 23 3.1.1 贝叶斯网络基础概念 23 3.1.2 贝叶斯网络结构学习方法 . 24 3.2 基于父子结点集约束的离散贝叶斯网络构建 . 27 3.2.1 算法过程概述 27 3.2.2 脑电数据离散化方法 27 3.2.3 确定父子结点集 31 3.2.4 离散变量贝叶斯网络结构学习 33 3.3 基于离散变量贝叶斯网络的实验 .
21、36 3.3.1 实验环境与实验数据 36 3.3.2 实验结果及分析 36 本章小结 41 第 4 章 基于连续变量贝叶斯网络的运动想象模式判别研究. 43 4.1 连续变量的贝叶斯定理 . 43 万方数据 同济大学 硕士学位论文 目录 V 4.2 基于单高斯分布的连续变量贝叶斯网络 . 44 4.2.1 高斯分布概述 44 4.2.2 脑电信号中基于单高斯分布的参数估计 47 4.3 基于 GMM 的贝叶斯网络结构学习 . 49 4.3.1 GMM 概述 49 4.3.2 GMM 的参数估计 50 4.3.3 基于 K-均值算法的 GMM 参数初始化 . 51 4.3.4 基于 GMM 连
22、续变量贝叶斯网络结构学习流程图 52 4.4 基于连续变量贝叶斯网络实验结果 . 53 4.4.1 实验数据 54 4.4.2 实验结果及分析 54 本章小结 58 第 5 章 基于贝叶斯网络的运动想象模式判别系统. 59 5.1 系统组成 . 59 5.1.1 脑电信号的采集模块 59 5.1.2 脑电数据的预处理模块 60 5.1.3 运动想象模式判别模块 61 5.2 左右手运动想象模式判别过程 . 62 本章小结 65 第 6 章 总结与展望. 67 6.1 总结 . 67 6.2 展望 . 68 致谢. 69 参考文献. 67 个人简历、在读期间发表的学术论文与研究成果. 68 z
23、h i k u q u a n 20150721 万方数据 z h i k u q u a n 20150721 万方数据 第 1 章 绪论 1 第 1 章 绪论 第 1 章 绪论 1.1 课题研究意义 人类大脑是一个十分复杂和精密的系统， 目前人类对大脑的研究还处于前期 的探索阶段， 还有很多未知有待进一步研究。 随着研究的广度及深度的不断发展， 脑研究所涉及的领域也越来越广，包括生命科学、医学、计算机技术、自动化技 术等。对于脑的研究，近年来世界各国均表现出积极、重视的态度，上个世纪九 十年代，美国率先设立大脑研究项目，将 1990 年 1 月 1 日开始的十年称为脑的 十年；1991 年
24、欧洲成立“欧洲脑的十年”委员会，并于 1994 年成立“欧洲神经 科学学会” 1； 1995 年， 国际脑研究组织 （International Brain Research Organization , IBRO）提出将 21 世纪称为“脑的世纪” 。日本方面，于 1996 年制定了为期二十 年的脑科学研究推进计划。受限于资金和技术，国内脑科学研究起步较晚，2001 年我国也正式加入人脑研究计划行列， 目前国内对脑科学的研究呈现出高速发展 的态势，包括清华大学、北京师范大学、同济大学等众多高校均积极从事脑科学 方面的研究，并取得了一定的成果。可以说无论在国内外，在未来相当长的时期 内，人类对
25、大脑的研究将始终是科学研究的前沿。 脑-机接口(BCI)技术是脑研究的重要组成部分，具有巨大的理论研究意义和 实际应用价值。BCI 技术通过采集和分析大脑的生物电信号，进而在大脑与计算 机或其他电子设备之间建立起信息交流和控制的通道。确切的说，BCI 技术是基 于脑神经科学，认知科学，康复工程，信号处理，人工智能及计算机技术等学科 共同发展的交叉学科。 综合国内外发展来看，BCI 系统目前主要用于医疗康复领域 2-4，其针对群 体主要是心智健全，但却丧失行动能力的人，通过 BCI 系统能为这类患者提供 一个全新的信息交流和设备控制渠道。此外，在休闲娱乐及军事等方面 BCI 也 显示出了强劲的发
26、展潜力。对 BCI 技术的研究，不仅在医疗、康复工程中有着 积极的作用，同时会极大的丰富人类对大脑的了解，有助于促进脑科学和神经科 学的研究，继而为揭开大脑秘密奠定坚实的基础，具备广阔的应用前景。 1.2 脑电信号概述 1926 年 Hans Berger 第一次记录了人头皮上的脑电信号，自此以后，对脑电 信号的分析一直都是研究热点之一。 脑电信号是测量电极和用来当基准的参考电 z h i k u q u a n 20150721 万方数据 同济大学 硕士学位论文 基于贝叶斯网络的运动想象脑电数据分析 2 极所采集得到电位的差值，是两个电极间大量神经元自发性、节律性放电的电位 差的纪录 5。由
27、于头皮上安放的电极所采集到的电位变化，并不是单一神经元的 电位变化，而是许多神经元综合起来的电活动。 1.2.1 脑电信号的产生机理及分类 根据生理学所知，在人的大脑中约有 1000 亿个神经细胞，而且平均每个神 经细胞大约与 10000 个神经细胞相连接， 进而形成了极为庞大的神经细胞网络结 构。大脑内的微弱电信号产生于神经元细胞，与其它细胞一样，神经元细胞主要 由细胞体树突和轴突这三部分组成 6。轴突的末端细分为突触终末，并与其它 神经元或效应器的细胞接触形成突触。一个神经细胞通常覆盖着几千个突触。神 经元细胞中大部分突触位于细胞体的树突基部，也有部分突触集中在树突顶部。 神经元细胞之间通
28、过突触来相互传递信息。大多数情况下，树突接受传入信息， 传向细胞体，轴突把信号输出到另一个细胞。当神经元处于活动状态时，神经系 统中会产生微弱的电信号。 在一个神经元的不同部位产生的电活动特点并不完全 相同，概括起来说一个神经元细胞可产生四种信号，即输入、整合、传导和输出 信号。神经元细胞的结构图如下图 2.1 所示。 图 1.1 神经元结构 不同的神经元细胞之间可通过电信号或者化学介质这两种方式进行联系， 而 在神经元细胞的内部则只能靠电信号来传递信息。 尽管单个神经元产生的电信号 极其微弱，但当大量神经元同时进行信息传递，产生电信号时，就可以通过仪器 在头皮上检测到脑电信号。Alison
29、7给出了大脑内神经元活动产生的脑电信号能 否被检测到的四个先决条件： 1)神经元细胞的大部分电信号必须沿着与头皮垂直的特定轴产生。 2)神经元树突必须平行排列，以使它们的场电位能够进行叠加，进而产生一 z h i k u q u a n 20150721 万方数据 第 1 章 绪论 3 定距离内可检测的信号。 3)神经元放电必须以近似同步的方式进行。 4)每个神经元产生的电活动应有相同的电极性。 因而，可以说脑电信号是人的行为意识在大脑内产生的信号的主要形式，只 要大脑有活性，便会不断的向外界释放脑电信号。通过与大脑皮层的功能区域相 结合进行定位，便可以利用脑电信号来研究人脑意识活动。 根据脑
30、电信号产生方式的不同， 脑电信号又可分为诱发脑电信号和自发脑电 信号两种。自发脑电信号是不需要外界刺激，由大脑自发产生的一种节律性的电 位变化，而诱发脑电是通过感官或者事件刺激而诱发出来的一种电位变化活动。 自发脑电和诱发脑电的区别主要表现在：1)产生的方式不同。自发脑电是在大脑 未受任何外界刺激的情况下，自发形成的节律性波动；而诱发脑电则是大脑接受 了外界的刺激，从而产生于刺激相关的电位变化；2)产生的部位不同。自发脑电 可以发生在大脑的任何部位； 而诱发脑电则只发生在与感觉系统相关的受刺激的 大脑功能区域； 3)自发脑电没有固定的模式， 时刻都发生变化， 具有不可预测性； 而受刺激的诱发脑
31、电具有相对固定的模式，比较稳定，诱发电位也大致相同。 1.2.2 脑电信号特点 通常而言，研究人员会用频率范围、波幅和相位等指标来描述脑电信号。而 根据频率范围的不同，脑电信号可细分为如下几类 8： 1） 波：频率范围为 1-4Hz，振幅约为 20-200uV。成年人在清醒状态下不会出 现 波，而在睡眠时则会出现。另外在深度麻醉、缺氧或大脑有器质性病变时也 可能会出现 波。 2） 波：频率范围为 4-8Hz，振幅约为 100-150uV。一般情况下，在困倦时即可 出现，它的出现是中枢神经系统处于抑制状态的表现。 3） 波：频率范围为 8-13Hz，振幅约为 20-l00uV。 波可在全部大脑皮
32、层发现， 不过在枕叶及顶叶后部记录最为显著。 波是脑电波中节律性最强的波，在安静 状态闭目时， 波的波幅呈由小变大又由大变小的变化。而在睁眼、思考问题或 接受其它刺激时， 波逐渐消失而被 波等快波取代，这一现象在医学上称为 波阻断现象。 4） 波：频率范围为 14-30Hz，振幅约为 5-20uV。 波主要出现在额叶和中央区 域。当处于激动、紧张、兴奋等状态时会出现 波。另外，如果被试睁眼看东西， 听到突然的声响或进行思考时，皮层的相关部位也会出现 波。可以说， 波的 出现一般代表大脑皮层处于兴奋状态。 z h i k u q u a n 20150721 万方数据 同济大学 硕士学位论文 基
33、于贝叶斯网络的运动想象脑电数据分析 4 波 4-8Hz 波 8-13Hz 波 14-30Hz 波 1-4Hz 图 1.2 四种脑电波的波形图 脑电信号属于常见的生物医学信号中的一种， 而生物医学信号容易受到与人 体自身有关的许多因素的干扰，同时每个人之间都不可能完全一样，存在着差异 性。就脑电信号而言，通常存在如下特点 9-10： 1）脑电信号具有非线性：由于人脑本身就是一个结构、功能都及其复杂的 非线性系统，因而其所产生的脑电信号也具有非线性的特点。混沌现象作为非线 性现象的一种，在脑电研究中被广泛关注。 2）脑电信号微弱：信号的微弱性主要体现在直接从人体中获取的生物信号 幅值一般在一个很小
34、的范围内，从母体中取到的胎儿心电信号仅仅有 10-50 微 伏，脑干听觉诱发响应信号则要小于 1 微伏。而用于运动想象研究的自发脑电信 号，则大约在 5-150 微伏之间，这是非常小的波动范围。因此在对脑电信号分析 处理之前，一般都需要借助放大器来增加信号幅值。 3）脑电信号具有非平稳性：生物系统的一个显著特点就是非平稳性。由于 生物要与外界环境的变化相适应，必须实时的调节各种生命活动。而大脑作为人 所有生命活动的中枢，其活动的反映形式，脑电信号，也具有非平稳性的特点。 4）脑电信号具有随机性：通常而言，生物信号往往是随机信号，因此很难 用明确的数学函数来进行分表达和描述，脑电信号表现的同样如
35、此。它不但是随 机信号，而且是非平稳的，信号的统计性特征(如，方差、协方差、均值)会随着 时间的变化而发生改变。因此，若要发现脑电信号的规律就需要对大量脑电数据 进行统计，进而才能总结并提取出脑电信号的一般特征。 z h i k u q u a n 20150721 万方数据 第 1 章 绪论 5 1.2.3 脑电信号采集 由于脑电信号本身特性，即信号随机非平稳，而且位于信号大脑皮层内，很 难获得准确的反映。然而随着科学技术和医学研究的发展，已经能够通过相关设 备采集到与脑电波接近的脑电信号。 一个完整的脑电信号采集系统通常包含导联 电极、模数转换器、信号放大器、信号采集装置等设备 11，脑电
36、信号的采集流程 如下如所示： 大脑电极帽放大器A/D转换器计算机设备 图 1.3 脑电信号采集系统 目前，常用的脑电信号采集方式主要有侵入式和非侵入式两种，非侵入式脑 电仪采集头皮电位的优势在于避免的外科手术，安全简单，但空间分辨率差，信 号微弱，干扰强。非侵入式脑电采集又称为无创式脑电采集，是目前脑电信号采 集的主要方式。目前，国际上在采集脑电信号时普遍采用国际 10-20 标准 12来放 置脑电信号，如下图所示，10-20 国际标准系统是指在矢状位上将鼻根和枕外隆 凸相连，在冠状位将鼻根、外耳孔和枕外隆相连，中间电位头顶，对应的导联为 Cz。鼻根点、FPz、Fz、Cz、Pz、Oz、枕外隆凸
37、点将其连线分成 10%、20%、20%、 20%、20%、10%；左耳垂、T3、C3、Cz、C4、T4、右耳垂同样将其连线分成 10%、20%、20%、20%、20%、10%。 侵入式脑电采集又称为有创式脑电采集，也即是采用电极内置方式，通过外 科手术将电极植入到大脑皮层，这样就可以做到零距离接触神经元，保证了信号 的稳定性，同时避免了肌电信号等伪迹的干扰。侵入式方法因为其直接采集大脑 皮层电位，所以采集的信号强，干扰小，空间分辨率高，但是因为在大脑内植入 电极，不可避免外科手术风险，而且电极长期植入大脑皮层组织也会有毒性。本 次实验也将采用非侵入式方法获取相关运动想象脑电数据。 z h i
38、k u q u a n 20150721 万方数据 同济大学 硕士学位论文 基于贝叶斯网络的运动想象脑电数据分析 6 图 1.4 国际 10-20 导联分别标准系统 1.2.4 基于脑电的主要研究方向 脑电信号中包含着大量大脑的信息， 对脑电的研究不论是在科学上还是健康 上都有着众多积极的作用。而在工程领域，目前而言，国内外众多研究者对脑电 信号的研究主要可分为两个大的方向：脑认知和 BCI。 （1）认知功能是大脑的重要功能之一，大脑的认知功能一般来说包括知觉、 记忆、判断、思维、想象、学习、推理、语言和感觉等众多的功能 13。大脑的认 知活动是非常复杂的， 目前世界范围内用于脑认知分析的手段
39、和方法也是多种多 样，脑电信号的分析就是其中重要的一种。脑电信号不仅成本低廉，采集方便， 能够做到无创采集，还具包含大量的大脑皮层神经活动信息，蕴含着多种脑认知 过程所包含的内容。对脑电的研究有助于了解大脑的认知过程，对揭示大脑的工 作机理有着重要的意义。 目前， 对脑电进行认知研究的学者， 主要是对不同任务、 不同导联的条件下的脑电信号时间序列进行分析和处理， 利用在不同认知任务下 脑电信号的能量分布情况来找出大脑的活跃区域 14-15。 必须要指出的是，尽管脑电信号在脑认知研究中有众多的优点，但仍然存在 着很大的局限性。主要表现在，无法获取研究所需要的高时间分辨率。造成这种 局限的原因与计
40、算机的性能有着重大关系，但可以坚信，随着电子科学技术的发 展，这一问题将会逐步得到解决。 （2）BCI 技术形成于 20 世纪 70 年代，确切的说，BCI 技术是基于生命科 学、神经科学、信号处理、计算机科学等学科共同发展起来的一门交叉学科。 BCI 系统是一种大脑和计算机之间进行交流和控制信号的通道， 而该系统分析的 主要对象就是脑电信号。通过 BCI 的控制通道，能够使人们做到不通过肢体的 语言和动作，而仅仅凭借思维来传达自己的想法并控制设备运作 16。 z h i k u q u a n 20150721 万方数据 第 1 章 绪论 7 BCI 技术虽然起步时间晚，但发展却很迅速。20
41、 世纪 90 年代，全世界范围 内从事 BCI 技术研究的机构或团队还只在十位数以内，而目前据初步估计全世 界范围内约有 100 个 BCI 技术研究机构，并且这些研究机构在 BCI 研究领域取 得一定的成果。 BCI 技术还处于探索阶段，实际应用中仍然存在诸多问题需要解决。其中， 对大脑生物信号特征的提取是 BCI 技术的难点之一，也是关键所在。理论上说 BCI 的研究对象可以是大脑中的各种生物信号， 但由于 BCI 涉及到神经脑科学和 电子技术，技术层面比较复杂。而脑电信号由于采集简单，同时具有高时间、空 间特点，因此广泛应用于 BCI 中。本文将重点针对 BCI 中的运动想象脑电数据 进
42、行研究和分析。 1.3 本文主要研究内容和结构安排 本文主要研究目的是利用贝叶斯网络建模方法 17-18对左右运动想象模式进 行判别分析。为了达到该目的，本文将对运动想象脑电数据从以下四个方面进行 研究：离散-时域、离散-频域、单高斯、混合高斯，以获取最佳的研究方法。 BCI 的研究对象是脑电，为了更好的对 BCI 问题进行研究。文章将从 BCI 信号处理角度进行探讨，以贝叶斯网络为分析工具，对 BCI 中左右手运动想象 脑电信号的判别分析进行研究，以提高 BCI 中脑电信号的判别效果。 本文的创新之出表现在，1)针对连续变量方面，在本文中通过引入高斯模型 来进行复杂脑电数据的拟合， 即利用学
43、习得到的高斯模型来表征脑电数据的分布 特征，进而进行贝叶斯网络结构学习。2)对脑电信号特征的提取，不仅仅是简单 的对信号进行相关处理，更要将医学、生理学等研究得到的人脑研究成果带入到 实际分析中， 作为先验知识。 需要特别指出的是， 在贝叶斯网络结构学习过程中， 为了体现出生理学上脑电信号在大脑皮层内的真实传递情况， 本文对作为贝叶斯 网络节点的各个导联引入物理位置的约束， 即一个导联的信号传递方向只可能为 其八领域范围内的其他导联。通过引入导联的位置约束，一方面更加逼近真实的 脑电信号传递情况，另一方面也大大的节省的运算复杂度和时间。 本文的组织结构如下： 第一章，绪论部分。主要介绍了脑电信
44、号的相关知识，同时介绍了脑网络的 研究进展和常用脑网络构建方法及其可能存在的问题。 第二章，本章内容主要是关于 BCI 的研究概述，包括 BCI 的基本概念和研 究现状。在本章中着重的介绍了当前国际上主要的 BCI 研究方向及 BCI 中常用 的脑电数据分析方法。 万方数据 同济大学 硕士学位论文 基于贝叶斯网络的运动想象脑电数据分析 8 第三章，介绍了基于离散变量贝叶斯网络的运动想象模式判别研究。该章节 可分为两个组成部分，运动想象脑电数据的离散化研究以及结构学习过程。在离 散化脑电数据过程中，从时域和频域两个角度分别进行的考虑，并详细介绍了离 散化标准和相应的贝叶斯网络结构学习过程。在本章
45、最后，给出相关实验结果和 分析。 第四章，基于连续变量贝叶斯网络的运动想象模式判别研究，在本章中详细 的介绍了基于高斯模型的连续变量贝叶斯网络结构学习的过程。 包括基于单高斯 结构学习过程和混合高斯的结构学习过程。同样在本章最后，给出相关实验结果 和分析。 第五章，在本章中构建了基于贝叶斯网络的运动想象模式判别系统，关于该 系统的主要模块及功能都在本章中进行了想象的叙述。 第六章，总结与展望。在本章中充分总结了本文的工作内容，并提出了未来 的改进方向。 万方数据 第 2 章 基于脑电 BCI 研究综述 9 第第 2 2 章章 基于脑电基于脑电 BCIBCI 的研究概述的研究概述 2.1 BCI
46、 简介 2.1.1 BCI 基本概念 BCI 技术是 20 世纪 70 年代新兴的一门集神经科学、医学、信息学等众多学 科于一体的交叉学科。BCI 脑-机接口可以简单的描述为：不依赖于大脑的正常 输出通路的脑机通讯系统。在该定义中， “脑”指的是大脑及脑神经系统； “机” 则表示意指相关的处理或计算的设备，它可以是简单电路也可以是芯片。由于所 针对的对象是大脑及其神经系统，因而 BCI 对实验环境、系统等条件具有很强 的敏感性。从当前主流研究而言，BCI 通常指的是利用计算机及其他电子设备对 被试者在特定任务下的大脑相关信号进行分析， 并且向外界传递所分析得到的大 脑信息的系统，该系统在向外界
47、传递信息的过程中，并不直接不依赖于大脑的神 经肌肉信息传递机制，即对大脑产生的命令信息进行解析的并不是人体本身，而 是由计算机等组成的外部信号处理设备， 最后由所得到的分析命令对外部设备实 行控制。BCI 系统通过对大脑特定任务下产生的相关信号，主要是脑电信号 （EEG）的监测，通过解析该信号可能包含的各种信息，对试验者在任务态下的 想法和目的进行分析、推断，进而产生相应的调节、控制信号，辅助与外界进行 交流的任务。 脑机接口的实现必须满足以下两个条件：一是必须存在一种能够可靠的，能 够反映大脑不同任务态下的信号； 第二是这种信号能够通过相关设备实时的进行 采集和分析 19。 人的大脑在活动过
48、程中会产生各种各样的信号，如电信号、磁信号、热信号 等，它们在某种程度上都反映了大脑在某一状态下的活动，并且都可以被各种不 同的设备检测出来，例如，通过脑电图(EEG)、脑磁图(MEG)、正电子发射断层 扫描(PET)、功能磁共振(fMRI)以及红外成像等。此外，通过神经传导到效应器 纪录到的神经信息，如末梢神经记录、肌电图(EMG)、皮电反应等也可以反映大 脑的活动状态。原则上说，上述这些信号都可以应用在 BCI 中，用于分析其提 供的大脑活动信息。然而在当前研究中，脑电数据一直是 BCI 主要分析和研究 对象，原因在于，相比与其他大脑信号，脑电具有以下优势：脑电信号的采集设 备具有较短的检
49、测时间，因而容易实施刺激；该采集设备采用非入侵式方法对人 万方数据 同济大学 硕士学位论文 基于贝叶斯网络的运动想象脑电数据分析 10 体无危害；设备的价格也相对较低并易于携带和组装使用；脑电信号具备较好的 时间分辨率。正是由于存在上述优点，因此脑电成为 BCI 系统常用的信号获取 方式。 下表给出了不同脑信号采集技术的时间分辨率和空间分辨率情况 20： 表 2.1 常见脑电信号的时间、空间分辨率 采集技术 fMRI EEG MEG PET 时间分辨率 3-5s 0.5ms 1ms 30s 空间分辨率 1.5mm 5-10mm 3-10mm 4-6mm 2.1.2 BCI 基本组成 大脑产生的脑电信号通过信号采集设备，获得相应的初始脑电数据，再经过 去眼电、 基线校正、 滤波等预处理后， 通过模数转换器将模拟的脑电信号数字化， 然后再将数字脑电信号传入计算机中进行实时信号处理。 脑电信号处理主要包括 特征提取和模式识别分类，最后，所得到分类的结果将根据具体的需求来控制输 出，这样就实现脑电信号从采集到应用的过程。围绕上述流程，一个完整的 BCI 系统主要包括以下几个部分：大脑、信号采集与预处理、特征提取、模式分类、 外围设备。BCI 系统