【作者】 彭博；

【导师】 金小刚；

【作者基本信息】 浙江大学 ， 计算机应用， 2006， 硕士

【摘要】 对诸如肌电、脑电等生物电信号的研究具有重大的意义和实用价值。例如,利用表面肌电信号可以反映肌肉在不同疲劳程度下的变化;基于脑电的脑机接口系统(EEG-based BCI),就是依靠从用户头皮上记录的脑电信号进行控制的。 Hilbert-Huang变换(HHT)是一种分析非线性、非稳态的复杂信号的新方法,它能够将时间和频率的信息整合在一起。HHT方法可以产生自适应的基,而且,由于它可以获得信号的局部和瞬时频率,所以很适合对复杂的时间序列信号进行特征提取。 在本文中,我们的具体研究内容如下: ·基于Hilbert-Huang变换的表面肌电信号的研究:我们选择了一组包括十二个成年男子的肱二头肌静态负荷数据,最大收缩负荷(MVC)为80%。我们将Hilbert-Huang变换运用于肌电信号,分别从Hilbert三维的谱分析、瞬时能量、瞬时频率、Hilbert边际谱和边际能量谱几个度量指标上得到了清晰而明确的肌肉疲劳状态的分析结果。实验结果表明证Hilbert-Huang变换作为一种新方法,在生物电信号分析方面的潜力。 ·基于Hilbert-Huang变换和支持向量机(SVM)的脑电信号分析:我们使用HHT算法对更为复杂的高维脑电数据进行了特征提取,在这个过程中,我们把皮层慢电位(SCP)和高频β波段相结合,时域与频率信息相结合,根据不同通道的实际物理意义分别提取了具有明显区分度的分类特征,组成了一个四维的特征空间。接下来,我们使用支持向量机(SVM)对定义好特征空间的信号进行模式分类。最后,我们将上述方法运用于2003脑机接口大赛的数据集I_a,实验结果表明该方法可获得较高识别率。 本文的具体结构如下:第一章为简介;第二章介绍了我们研究过程中使用的主要算法和工具—Hilbert-Huang变换和支持向量机(SVM),它们分别应用于信号的特征提取过程和模式分类过程;第三章阐述了我们的研究内容;第四章给出了我们实验所采用的数据的说明;在第五章中给出了我们具体的研究和分析过程,并展示了实验结果;第六章为全文的总结以及展望。更多还原

【Abstract】 Research on the bioelectrical signal, such as surface electromyographic signal (sEMG) and electroencephalography (EEG), are very useful and meaningful. For example, sEMG can reflect the change of muscular fatigue at certain extent, and one type of brain-computer interface (BCI), which also be referred as EEG-based brain computer interface (BCI), users self-modulate brain activity as detected by EEG.The new method Hilbert-Huang Transform (HHT) has the powerful ability of analyzing nonlinear and non-stationary data in both time and frequency aspect together. The method have self-adaptive basis and is better for feature extraction as we can obtain the local and instantaneous frequency of the signals.In this paper,we chose an experiment of the static biceps data of twelve adult subjects under the maximal voluntary contraction (MVC) of 80%.The sEMG experimental results proved that this method, as a new thinking has an obvious potential for the biomedical signal analysis. We then use the HHT method combine with the Support Vector Machine (SVM) classifier in a binary classification of an EEG of visual feedback dataset. During the course of the EEG signals feature extraction, we introduced the method which combined the slow cortical potentials (SCPs) and the specific energy from the time-frequency domain in high /?-band via the Hilbert-Huang Transform (HHT), The Support Vector Machines (SVM), which have been widely used in pattern recognition and regression, were utilized for data classification. We obtained good accuracy from our experimental results, using the HHT and SVM methods on the combined information of the EEG signals.更多还原