检索历史 清除

摘要脑-机接口(braincomputerinterface,BCI)系统在康复医疗、安防、军事和娱乐等领域具有广阔的应用前景。在实际应用中，实现BCI系统的便携性和提高其分类准确率是扩展BCI系统应用的关键。因此，本课题设计研发了一套多通道便携式脑电采集设备，并基于迁移学习技术，针对运动想象范式的脑电数据发展模型完成分类任务，为提升BCI系统的应用性能提供了一种新的方案。<br>　　本文首先根据脑电信号的特点对采集设备的性能需求进行分析，并提出具体的设计方案。同时，基于ARM微处理器优化设计了多通道脑电信号采集设备BrainX，该设备具有体积小、精度高、噪声低等优点。为了评估BrainX在实际应用中的性能，设计了离线运动想象实验，并通过BrainX和美国脑电采集设备NuAmps放大器采集脑电信号。在同时段和不同时段的运动想象实验中，BrainX所采集的脑电信号的分类准确率分别为81.77%和74.67%，与NuAmps放大器的分类准确率相比仅低0.86%和0.25%。同时，在与NuAmps放大器的性能参数综合对比中，体现出BrainX在基于运动想象信号的脑机接口系统应用中的可靠性。<br>　　针对分类器在不同时段运动想象脑电数据上分类性能降低的问题，本文提出了一种基于领域自适应的动态联合域对抗网络框架。该框架包括特征提取器、分类器、边缘判别器和条件判别器，可从源域数据和目标域数据中提取具有领域不变性和辨识性的深度特征，并适配源域特征和目标域特征的边缘分布和条件分布，最后对适配后的特征进行分类。同时，为了评估优化过程中边缘分布与条件分布的相对重要性，引入了动态对抗因子来调整不同分布对齐的优先级。最后，在BCI竞赛IV2a公开数据集和基于BrainX所采集的运动想象数据上获得了81.52%和84.21%的分类准确率，验证了该算法在跨时段脑电迁移学习的有效性。