导　　师： 李远清; 张迎春

授予学位： 硕士

作　　者： (）;

机构地区： 华南理工大学

摘　　要： 脑电(Electroencephalogram,EEG)特征提取(Feature Extraction)是实现脑-机接口(Brain-Computer Interface,BCI)的关键技术之一。而有效的特征提取技术研究,有利于更好地实现人脑与外界的交流。目前,脑机接口技术在医疗康复领域受到极大的关注与重视,其受众是广大的脑损伤患者,如脑卒中(Stroke)。这类患者在发生脑损后,其脑功能结构发生重构(Reorganization),其生理基础是可塑性(Plasticity)。这一变化可以通过脑电源成像(EEG Source Imaging,ESI)技术呈现。脑功能的研究反服务于脑电信号的特征研究,为临床医疗增添更多可能性。本文主要从脑电分类和源成像的角度对健康人和脑卒中患者的信号进行了对比分析,并将源成像的分析结果用于引导脑电分类。本文的研究成果如下:(1)基于分布式源(Distributed Source)的低分辨率电磁层析成像(Low-Resolution Electromagnetic Tomography,LORETA)算法,利用BESA工具箱对健康人和患者的左右手握拳信号进行成像分析,从两者成像的差异得出健康人和患者大脑活动的差异。从实验结果可以看出,对比健康人,入院康复中的患者的脑功能确实有所改变,这种改变体现在激活区域上。(2)对健康人C3+C4通道的脑电数据进行了四种不同特征的提取:频带能量,连续小波变换,四层离散小波变换中近似分量以及细节分量。将四种特征分别运用线性判别分析(Linear Discrimination Analysis,LDA)和支持向量机(Support Vector Machine,SVM)两种分类器进行特征分类,并用12轮5折交叉验证,得到四种特征下的分类结果,实验结果显示由小波离散变换的近似分量作为特征能够得到很好的分类效果。将该特征提取方法用于患者数据,同样得到LDA/SVM分类器下12轮5折交叉验证的结果,结果显示对比正常人的识别率低约20%。(3)根据患者源成像的结果,即脑区激活位置与健康人不一致。为了提高患者的分类准确率,

关 键 词： 脑电 特征提取 脑 机接口 脑电源成像 可塑性

领　　域： [] []