图 4-3 具有不同�0和 SNR 值的分析性能 20

图 4-4 不同的信噪比和�0值下的相关系数 24

图 4-5 绩效评价（a）具有不同的 m 和信噪比值和（b）具有不同的 n 和信噪 24

1。绪论

1。1 研究的背景与意义

视觉诱发脑电是脑-机接口（BIC）中的一个极为重要的构成部分。脑-机接口 系统为人类提供了一种不需求身体肌肉与周身神经便可以发出信息的一种新的 方法，这种新的方式通过采集人类大脑发出的脑电波以及其余的生理信号从而与 外界进行交流并对某些事物进行控制[1]。论文网

这一技术可以给予拥有清醒的意识，身体却因为器官无法正常工作而法自由 行动、正常交流的人很大的帮助。人的所有行动都是经过大脑发出指令来实现的， 是以人类可以使用某些方法，直接从人的大脑采集脑电波，经过对脑电信号举行 特征提取与分类和识别，最后判别人们想要进行的行动与表示的意思[2]。经过了 多年不断的发展，改技术已经可以为有着正常的意识但是身体缺失的人群提供帮 助，这类人群可以使用学习场被识别的思维模式，重新得到对意识和行动能力的 控制。

例如：控制电脑文字的书写，控制电器设备的运行与停止，控制轮椅前进， 通过一些设备发出声音，使用网络等等。脑电特征在医学检测、试验和康复性的 医学工程中也起着非常重要的作用，比如利用脑电特征对神经系统疾病作出判断； 手术时，医护人员可以通过病人的脑电特征对病人的状态作出判断；通过脑电图 诊断小儿病毒性脑炎等。脑电特征技术在航空航天、工业中也有潜在的应用，比 如：林涵等预测将来的军事发展将环绕“制脑权”展开。

在过去的 2 年中，有许多单一的试验分析方法被提出。这些方法可分为 2 大 类：去噪方法和分离方法。去噪方法假设诱发电位的测量被噪声所干扰，且噪声 的主要来源是自发脑电图（EEG）。许多研究人员已经利用传统的去噪方法，如 从噪声测量中分析诱发电位信号维纳滤波，Kalman 滤波、空间滤波，和神经网 络等方法。这些方法没有充分利用诱发电位的固有特性，因此，它们不是非常可 靠的。一些研究者基于其特征对它们进行了建模研究，旨在改进这些方法。兰格 等人提出一种分析方法，即将平均诱发电位分解为一组子模板，然后用一个单一 的试验中的叠加的子模板来表示诱发电位。由 garoosi 等人开发 Prony 方法，是 另一种建模技术，它将诱发电位分成具有上升或下降包络的正弦分量的总和。然 而，虽然这些方法利用了诱发电位的某些特性，其去噪效果仍然是有限的，因为 诱发电位测量的信噪比是非常低的。

上述分离方法假设测量是一种诱发电位和自发脑电信号的混合的。一些最近 发展的方法，如小波变换，独立成分分析（ICA），和稀疏表示（SR）也被应用于 诱发电位的提取。Iyer 等人，causevic 等人和 Markazi 等人利用小波变换法来分 离诱发电位和自发脑电信号。然而，小波变换的方法需要更多的人为干预，并且 在一定程度上，其结果取决于用户的经验。诱发电位和自发脑电信号的分离是一 种欠定问题，传统的独立成分分析不适合解决它。稀疏表示是解决分离问题的一 个很好的备用技术。徐等人提出了基于混合超完备字典的稀疏分解方法（Mosca）， 它将诱发电位和自发脑电信号分别分解到小波字典和离散余弦变换（DCT）词典 上。然而，一些属于诱发电位和自发脑电的成分事实上是相互重叠的，这样的许 多成分被错误的字典和相应的系数所表示。因此，这种方法不能有效地分离诱发 电位和自发脑电。鉴于上述考虑，可以看到，使用单次提取极低的试验难以获得 满意的效果，因为诱发电位的信噪比非常低，低于 0 分贝，而且一些诱发电位和 自发脑电的成分是重叠的。此外，在每个试验中，提取诱发电位信号的波形是浪 费的，因为一些连续试验的波形是非常相似的。在本研究中，通过充分利用了连 续 2 次试验中诱发电位之间的这种相似性，提出了一种新型的基于联合稀疏表示文献综述 基于诱发电位少次提取的特征识别(2):http://www.youerw.com/zidonghua/lunwen_82788.html