小波包独立分量分析及在运动想象脑机接口中的应用研究

As a new human-computer interaction technology, Brain-Computer Interface (BCI) has been a hotspot in brain science, biomedical engineering and information science. Independent component analysis (ICA) is commonly used for improving the EEG spatial resolution，but it has limitations on omitting the spatial-temporal dynamics of underlying neural processes, this leads to the constraint for further improving the spatial resolution. Empirical mode decomposition (EMD) method was put forward to reflect the signal components by the self-adaptive basis function according to the signal itself, which brought a new revolution in nonlinear signal processing. The research on EEG processing in BCI based on wavelet packet-based ICA has important theoretical significance and the research results can promote BCI technology practical. The main topics studied in this project are as follows: 1) Establishing improved wavelet packet-based ICA and analyzing the performance. 2) Studying improving online ICA algorithm based on sliding window and applying to the EEG signal envelope detection. 3) Establishing improved EMD multi-resolution analysis method for motor imagery characteristic analysis of EEG. 4) Completing BCI system and algorithm verification, test and evaluation.

脑-机接口（BCI）作为一种新型的人机交互技术，已成为脑科学、生物医学工程、信息科学领域的热点课题。独立分量分析（ICA）是提高脑电信号空间分辨率的常用方法，但是传统的ICA在脑电信号分析时，忽略了脑电传播的时空动态性，制约了空间分辨率的进一步提高；经验模态分解方法(EMD)首次实现了以信号自身特性自适应地构造出反映信号中各成份的基函数，适应于非线性非平稳信号的分析。因此，本项目基于小波包独立分量分析的方法研究脑机接口中的EEG问题具有重要的理论意义，其研究成果可促进脑机接口技术走向实用。本项目主要研究内容包括：1）建立改进的小波包独立分量分析算法并进行性能分析；2）开展改进的基于滑动窗的在线ICA 算法研究，并应用于EEG信号包络检测；3）建立改进的EMD多分辨率分析方法进行运动想象EEG特征分析；4）完成脑机接口系统的搭建并进行算法的验证、测试和评估。

针对脑机接口中的脑电信号进行了信号消噪、特征提取、模式分类等方面的深入研究。取得了如下研究成果：1、在软阈值消噪的基础上，提出一种改进阈值消噪算法；提出了一种将集合经验模态分解（EEMD）与改进小波阈值法相结合的脑电消噪方法；提出一种总体平均经验模态分解( EEMD) 与改进提升小波相结合的脑电信号消噪方法；2、提出了一种小波包分解结合CSP的EEG特征提取算法；提出了一种小波变换结合模糊熵的EEG信号特征提取算法；通过引入堆叠降噪自动编码器，提出了一种多类运动想象EEG信号的两级特征提取算法。3、提出了一种基于粒子群优化支持向量机的EEG信号分类方法；提出了一种基于人工鱼群（AFSA）优化支持向量机的EEG模式识别模型；提出了一种粒子群优化算法改进分层极限学习机（H-ELM）的EEG信号模式分类算法。上述研究成果提高了脑电信号的信噪比，提高了基于脑电信号的模式识别分类率，对于脑机接口技术走向应用奠定了理论基础。