1、燕山大學研究生學位論文開題報告 課 題 名 稱：基于腦磁圖的腦機接口方法研究研究生姓 名：周麗娜導 師 姓 名：王金甲所在 院、系：信息科學與工程學院學科、 專業(yè)：電路與系統(tǒng)燕山大學研究生部2009年 12 月20 日說 明一、研究生開題報告各項內(nèi)容，要實事求是，逐條認真填寫。表達要明確、嚴謹，字跡要清晰易辨，外來語要同時用原文和中文表達。第一次出現(xiàn)縮寫詞，須注出全稱。二、參加開題報告評議組成員，應具有副高職以上職稱。碩士學位研究生開題報告，評議組成員不得少于三人；博士學位研究生開題報告，評議組成員不得少于五人。每個評議組成員應有一位組長，其中博士學位研究生開題報告評議組組長應具有教授職稱。每

2、個評議組可另有一位記錄員，記錄員應具有講師以上（含講師）職稱，并應熟悉相應專業(yè)。三、開題報告應對評議組成員所提出的問題及研究生的回答給出具體、準確的記錄。開題報告結(jié)束后，由評議組成員綜合評議組成員的意見，寫出具體評議結(jié)論。并由專業(yè)負責人審核簽字后，報研究生部備案。四、本報告中，由研究生本人撰寫的對課題和研究工作的分析及描述、對碩士學位論文研究生應不少于3000字，對博士學位論文研究生應不少于5000字。第二頁以后各欄空格不夠時，可另行加頁。五、根據(jù)論文工作的最終研究結(jié)果，所提交學位論文的題目可以在本開題報告的基礎(chǔ)上有適當改動。六、本開題報告一式三份，學生個人和導師留一份，學科留一份，交研究生部

3、培養(yǎng)辦一份備案（除簽字以外必須打?。?，研究生部不負責查詢。姓名性別年齡入學時間開題時間周麗娜女272008年9月2009-12-20課題來源河北自然科學基金報告時間2009年12月20日開題報告評議組成員姓名職稱姓名職稱邢光龍教授劉洺辛副教授王玉寶副教授評議組對課題及報告的評議： 評議組組長： 專業(yè)負責人意見： 專業(yè)負責人： 年 月 日一、立論依據(jù)（所選課題的科學意義和應用前景，國內(nèi)外研究現(xiàn)狀分析，主要參考文獻目錄）：1.本課題研究的科學意義和應用前景通常，大腦要依賴人體的外周神經(jīng)系統(tǒng)及肌肉組織實現(xiàn)通訊與設備的控制，比如通過手拿取杯子，打開電視機等活動。但是，當病人患有神經(jīng)系統(tǒng)疾病或神經(jīng)退行性

4、疾病，例如肌肉萎縮性脊髓側(cè)索硬化癥（或稱為魯葛瑞格式癥）、脊髓受損、中風等，這些疾病阻斷了從大腦到脊髓再到目的地即肌肉的正常的信息流動，情況嚴重的患者可能將會失去控制肌肉的所有能力，徹底不能與外界溝通。在沒有徹底改變疾病影響的情況下，腦機接口將會為他們帶來福音。因為腦磁圖既不需要參考點也不需要與皮膚接觸，不會出現(xiàn)由此引起的誤差。另外腦磁圖能直接反映腦內(nèi)場源的活動狀態(tài)。因此，將腦磁信號作為腦機接口分析中的控制信號是很有前景的，如何有效的對腦磁信號進行特征提取是腦機接口研究的核心問題之一。2.腦機接口國內(nèi)外研究現(xiàn)狀(1)腦機接口中常用的控制信號原則上說，可以代表腦活動的信號都可以用來作為腦機接口的

5、輸入信號。這些信號包括電、磁、代謝、化學、熱等。這需要用不同的傳感器將這些信號檢測出來。這些傳感器包括腦電極(Electroencephalogram，EEG)和植入式電子生理方法，如皮層腦電圖(Electrocorticogram，ECoG)、腦內(nèi)單個神經(jīng)元記錄、腦磁圖(Magnetoencephalography，MEG)、正電子發(fā)射計算機斷層顯像技術(shù)(PET)、腦磁共振功能成像(fMRI)和功能性近紅外光成像(fNIR)。目前非植入式和植入式的電子生理的方法（即EEG，ECoG，單神經(jīng)元記錄）是現(xiàn)在僅有的利用比較簡單的和便宜的設備，利用這一方法就能得到較好的結(jié)果。PET、fMRI和fNI

6、R這些都依賴人的變化的過程，具有長時間的穩(wěn)態(tài)，因此，對快速的通信經(jīng)不起檢驗。MEG、PET、fMRI和fNIR這些方法在技術(shù)上依舊要求苛刻且價格昂貴，這些因素妨礙了它們的廣泛應用。盡管存在這些阻礙，現(xiàn)在仍舊有一些學者在探索這些方法對腦機接口研究的價值12。由于這些原因，幾乎所有的在人類中用于處理方面的腦機接口中已完成的應用都是用腦電圖和皮層腦電圖信號。但腦電圖信號也有其不足，空間分辨率較低，容易受外界干擾。皮層腦電圖信號由于需要植入電極，手術(shù)存在一定的風險性，不利于推廣。(2)基于腦電信號的腦機接口系統(tǒng)大量的研究資料表明腦機接口的研究主要處在運動皮層領(lǐng)域。根據(jù)激勵方式的不同，可以分為三類，產(chǎn)生

7、的腦信號差別如下?；谙胂筮\動的腦信號 當大多數(shù)人沒有實際運動出現(xiàn)，只是感覺過程，或是想象某種運動過程35，這時候顯著的波動出現(xiàn)在EEG記錄的8-12 Hz頻帶內(nèi)的感覺運動區(qū)。這種波動通常叫做mu節(jié)律，是由丘腦皮層回路6產(chǎn)生的。由于現(xiàn)代采集和處理方法的匱乏，在很多人中還不能檢測出mu節(jié)律7，但是基于計算機的分析已經(jīng)發(fā)現(xiàn)mu節(jié)律在絕大多數(shù)人中是真實存在的8,9。這一分析也證明了mu節(jié)律和18-25 Hz的beta節(jié)律是相聯(lián)系的。一些beta節(jié)律是和mu節(jié)律相一致的，而有一些beta節(jié)律和mu節(jié)律在拓撲或時間上是相分離的，因此，至少會出現(xiàn)獨立于EEG特征1012。因為mu/beta節(jié)律的變化是和通

8、常的運動/感覺功能相聯(lián)系的，對于BCI通信來說，可以作為很好的信號特征。在感覺運動皮層，運動或是準備運動，尤其是運動的對側(cè)面，mu和beta活動都會伴隨著有典型的下降，但是不能是運動的某種特殊方面，比如運動的方向13。另外，運動想象（即想象運動）也會使mu/beta節(jié)律產(chǎn)生變化14,15。因為人們不通過實際運動也可以使這些節(jié)律產(chǎn)生變化，所以這些節(jié)律可以作為BCI的基礎(chǔ)。小概率事件誘發(fā)電位 通過運動活動或運動想象來調(diào)節(jié)大腦反應，刺激電位對于BCI操作系統(tǒng)也是很有用的。例如，通過四十年的研究表明在偶爾的刺激后EEG會出現(xiàn)一個正回饋（即所謂的“P300”或叫做“oddball”電位），在刺激發(fā)生后3

9、00 ms頂骨皮質(zhì)之上發(fā)生的。P300電位的幅值在頂骨電極點是最大的，而在中間和前部電極記錄點是削弱的25。P300通常是將事件分為幾類，其中一類事件發(fā)生的概率很小，當出現(xiàn)時，就會誘發(fā)P300電位。在許多研究中P300電位是作為BCI系統(tǒng)的基礎(chǔ)的16，利用實驗范例來實現(xiàn)。Sutter開發(fā)出一種控制設備，可以檢測用戶在一個閃爍的矩陣刺激中所注視的單元矩陣塊兒。接著，1988年，Illinois大學的Farewell and Donchin設計了虛擬打字機。2000年，Donchin等人對打字機進行了改進。據(jù)此，中南民族大學研究者設計出虛擬鍵盤，患者可以利用此設備輸入字符。但目前傳輸速率不是特別高

10、。穩(wěn)態(tài)視覺誘發(fā)電位 通過視覺刺激來產(chǎn)生電位，也是一種很顯著的腦信號產(chǎn)生方式。穩(wěn)態(tài)視覺誘發(fā)電位(Steady-state visual evoked potential，SSVEP)是通過一定的頻率刺激受試者的視覺系統(tǒng)，其中不同的模塊選擇不同的頻率進行刺激，操作者注視要選擇的按鈕，SSVEP中相應的頻率成分幅度增加，經(jīng)過檢測，得到與相應的頻率控制的模塊，來實現(xiàn)操作不同的設備。經(jīng)過訓練，操作者可以自覺控制SSVEP的幅度。國內(nèi)外很注重開發(fā)基于視覺穩(wěn)態(tài)誘發(fā)電位的腦機接口。2000年美國空軍研究室利用SSVEP做了關(guān)于腦機接口的研究。國內(nèi)清華大學從2003年到2004年，利用SSVEP實現(xiàn)了電話撥號系

11、統(tǒng)，室內(nèi)環(huán)境的控制，還開發(fā)了幫助殘疾人利用SSVEP控制遙控器打開家用電器。接著又開發(fā)了用于患者恢復肢體運動系統(tǒng)的SSVEP腦機接口系統(tǒng)。在研究了腦信號特征的基礎(chǔ)上，由于腦磁信號與腦電信號有很大的相關(guān)性，這些信號特征可以為研究腦磁信號提供參考，與此同時，腦磁信號的特征可以對腦電信號的研究起輔助性作用。(3)基于腦磁信號腦機接口的研究現(xiàn)狀MEG的檢測過程，是對腦內(nèi)神經(jīng)電流發(fā)出的極其微弱的生物磁場信號的直接測量，同時，測量系統(tǒng)本身不會釋放任何對人體有害的射線，能量或機器噪聲。在檢測過程中，MEG探測儀不需要固定在患者頭部，測量前對患者無須作特殊準備，所以準備時間短，檢測過程安全、簡便，對人體無任何

12、副作用。根據(jù)Stephan Waldert等人的研究表明，腦磁信號和腦電信號一樣，也包含大腦的手動信息，它們能夠用來區(qū)分不同方向的運動，并且能夠提供相對較高的譯碼性能37。Georgopoulos在Science上建立了活動參數(shù)包括手運動方向和腦運動皮層的神經(jīng)活動關(guān)系17。Tonio Ball研究了手運動方向和腦皮層電圖的關(guān)系，其平均正確率為60% 18。這兩者是植入式的(invasive)。Stephan Waldert等人的研究表明，腦磁圖和腦電圖信號這兩種非植入式(noninvasive)信號，也都包含大腦的手動信息，它們能夠用來區(qū)分4個不同方向的運動，并且能夠提供相對較高的譯碼性能，其

13、平均正確率為60% 1921。2009年Trent J. Bradberry報告了基于MEG手運動方向的研究結(jié)果23。目前國內(nèi)還沒有報道。2008年腦機接口國際第四次競賽在前三次競賽成功舉辦的基礎(chǔ)上，更多的關(guān)注腦機接口的實用化，目的是驗證腦機接口中的信號處理和模式識別方法，(BCI Competition IV)。其中第三組數(shù)據(jù)就是MEG手運動方向分析(hand movement direction in MEG)的數(shù)據(jù)，它記錄了兩個實驗者執(zhí)行四個不同方向的手腕運動時的10個通道MEG信號。王金甲導師參加了這次競賽，對第三組數(shù)據(jù)進行了處理，取得了第四名的成績。3.主要參考文獻1 K. L. L

14、al Saroj, Ashley Craig. Electroencephalography Activity Associated with Driv S. Gerwin, M. Jrgen.A pratical Guide to Brain-Computer Interfacing with BCI2000M. Springer London Dordrecht Heidelberg New York.2010:4-52 S.Coyle,T.Ward,C.Markham,et al.On the Suitabilityof Near-infrared(NIR) systems for Ne

15、xt-generation Brain-computer Interfaces. Physiol. Meas. 2004, 25(4): 815-8223 B.J.Fisch. Fisch and Spehlmanns EEG Primer,2nd edn.Elsevier, Amsterdam. 1991: 35-384 H.Gastaut.Etude Electrocorticograhgique de la Reactivite des Rythmes Rolandiques. Rev. Neurol. 1952,87:176-1825 J.W.Kozelka, T.A.Pedley.B

16、eta and Mu Rhytyms.J.Clin.Neurophysiol. 1997:1912076G.E.Chatrian.The Mu Rhythm.In:Handbook of Electroencephalography and Clinical Neurophysiology.The EEG of the Walking Adult. Elsevier,Amsterdam.1976:46-497G.Pfurtscheller.EEG Event-related Desynchronization(ERD) and Event-related Synchronization(ERS

17、).In:Niedermeyer,E.,Lopes da Silva,F.H.(eds.) Electroenceph- alography:Basic Principles,Clinical Applications and Related Fields,4th edn., Williams and Wilkins,Baltimore.1999:958-9678G.Pfurtscheller, A.Berghold. Patterns of Cortical Activation during Planning of Voluntary Movement.Electroencephalogr

18、.Clin.Neurophysiol. 1989,72:250-2589D.J.McFarland, L.A.Miner, T.M.Vaughan, et al.Mu and Beta Rhythm Topographies during Motor Imagery and Actual Movements.Brain Topogr. 2000,12(3):177-18610C.Toro, C.Cox, G.Friehs, et al.8-12Hz Rhythmic Oscillations in Human Motor Cortex during Two-dimensional Arm Mo

19、vements:evidence for Representation of Kinematic Parameters.Electroencephalogr.Clin.Neurophysiol. 1994,93(5):390-40311G.Pfurtscheller, C.Neuper.Motor Imagery Activates Primary Sensorimotor Area in Humans.Neurosci.Lett. 1997,239:65-6812E.Donchin. Surprise!.Surprise?.Presidential Address, Psychophysio

20、l. 1981, 18(5): 493-51313E.Donchin, K.M.Spencer, R.Wijesinghe.The Mental Prosthesis:Assessing the Speed of a P300-based Brain-computer Interface.IEEE Trans.Rehabil.Eng. 2000, 8(2):174-17914L.A.Farwell, E.Donchin.Talking off the Top of Your Head:toward a Mental Prosthesis Utilizing Event-related Brai

21、n Potentials.Electroencephalogr.Clin.Neurophysiol. 1988,70(6):510-52315U.Hoffmann, J.M.Vesin, T.Ebrahimi, et al.An Efficient P300-based Brain-computer Interface for Disabled Subjects. J. Neurosci. Methods. 2008, 167(1): 115-12516R.Neshige, N.Murayama, K.Tanoue, et al.Optimal Methods of Stimulus Pres

22、entation and Frequency Anslysis in P300-based Brain-computer Interfaces for Patients with Severe Motor Impairment.Suppl.Clin.Neurophysiol. 2006,59:35-4217吳婷,顏國正,楊幫華. 基于小波包分解的腦電信號特征提取.儀器儀表學報,2007,28(12):2230-223418A.P.Georgopoulos, A.B.Schwartz, R.E Kettner. Neuronal Population Coding of Movement Dir

23、ection. Science, 1986, 233(4771):1416-141919B.Tonio,S.B.Andreas,A.Ad,et al. Differential Representation of Arm Movement Direction in Relation to Cortical Anatomy and Function. Journal of Neural Engineering, 2009,6(1):10-1220M.Jrgen, S.Gerwin, B.Christoph, et al. An MEG-based Braincomputer Interface

24、(BCI) . NeuroImage, 2007, 36(3):581-59321W.Stephan, B.Christoph, P.Hubert.Decoding Performance for Hand Movement:EEG vs.MEG. 29th Annual International Conference of IEEE-EMBS, Engineering in Medicine and Biology Society, EMBC07,2007:5346-5348 22W.Stephan, P.Hubert, D.Evariste, et al. Hand Movement D

25、irection Decoded from MEG and EEG . Journal of Neuroscience,2008,28(4):1000-100823J.Trent, Bradberry, F. Rong, et al. Decoding Center-out Hand Velocity from MEG Signals during Visuomotor Adaptation . NeuroImage, 2009, 47(4): 1691-1700 二、研究內(nèi)容，預期目標或成果（具體說明課題研究內(nèi)容，要重點解決的關(guān)鍵問題和本課題所要達到的目標或要取得的成果）：1.研究內(nèi)容本課題

26、針對基于腦磁信號腦機接口關(guān)鍵技術(shù)展開研究，主要研究內(nèi)容包括以下幾個方面：目前，對腦磁信號的研究主要集中在實際系統(tǒng)的開發(fā)，應用到的模式識別算法相對簡單。常用傳統(tǒng)的帶通濾波器進行通帶的選擇，然后提取腦磁信號的時域特征或頻域特征作為信號的編碼信息，用Fisher線性判別，支持向量機分類對得到的模式信息進行分類41-43。這些處理算法都是基于平穩(wěn)信號的，直接應用于處理競賽的非平穩(wěn)的腦磁信號效果不是很好。直接應用線性方法對腦磁信號進行分類，識別率一直難于提高。識別正確率作為腦機接口的關(guān)鍵指標，一直是關(guān)注的熱點。從上述的分析中可以看出，選擇合適的腦磁信號的處理算法是問題的關(guān)鍵。主要對以下問題進行了研究。(

27、1)為了提高腦磁信號的信噪比，為接下來的處理提供更可靠的數(shù)據(jù)，首先從選擇合適的信號處理算法開始， 例如選擇適合于處理非平穩(wěn)信號的小波去噪方法。(2)針對腦磁信號的非平穩(wěn)，非高斯特性，將處理平穩(wěn)信號的算法，進行改進，使其適合處理非平穩(wěn)信號，設計適合腦磁信號編碼的新方法，將復雜的腦磁信號進行分解，挖掘這些信號的主要成分，作為腦運動模式的類別信息。(3)腦信號的識別問題，又是腦機接口中的關(guān)鍵所在。由于傳統(tǒng)的線性分類識別率一直難于提高，本文嘗試了用非線性分類方法對腦磁信號進行分類。 (4)在腦機接口的數(shù)據(jù)測量中，需要測量大量的訓練數(shù)據(jù)。在訓練數(shù)據(jù)的測量過程中，由于持續(xù)時間較長，數(shù)據(jù)的穩(wěn)定性相對變差，如

28、果能減少測量次數(shù)，這將有利于腦機接口的在線應用。(5)在閱讀文獻過程中，發(fā)現(xiàn)對不同的測試者，同一算法的識別率差別較大，即算法的通用性差。對引起這一問題的原因進行初步探索。2.重點解決的關(guān)鍵問題(1) 腦磁去噪較好的濾波算法有助于腦電信號的特征提取。目前，常用的濾波方法可以分為兩大類，一是頻域濾波，即提取特定頻率的腦電信號來控制外部設備，如基于皮層慢電位的腦機接口系統(tǒng)；二是空域濾波，即對腦電信號進行通道的選擇，找出差別最大的兩個或多個通道，提取這些通道的特征。而對于腦磁信號來說，由于其頻率特性和通道特性還不太明確，鑒于卡爾曼濾波處理時域信號的較好效果，將這一算法應用到了腦磁信號去噪過程中。(2)

29、 特征提取如何提取較好的腦電模式是BCI系統(tǒng)的關(guān)鍵所在。目前常用的特征提取方法有時域特征提取和頻域特征提取，這都是基于平穩(wěn)信號的，直接應用于處理非平穩(wěn)的腦磁信號效果不是很好。選用了非平穩(wěn)的特征提取算法，將經(jīng)驗模態(tài)分解方法應用到腦機接口中，用自回歸模型提取特征。鑒于腦磁信號的高維特性，對腦磁信號進行了降維處理，以此進行特征提取算法的研究。(3) 腦磁信號的識別BCI分類中常見觀點是非線性分類器嚴重過擬合，識別率反而不如線性分類器。MEG的BCI系統(tǒng)采用信號處理的特征提取和線性分類，識別率一直難于提高；而采用信號處理的特征提取和非線性分類，效果不如線性分類器。在目前還沒有合適的信號特征提取方法的情

30、況下，我們嘗試了非線性分類器。由于BCI數(shù)據(jù)需要大量的訓練，這使得BCI系統(tǒng)在在線應用中產(chǎn)生了很大的阻礙，為了解決這一問題，提出了一種基于半監(jiān)督的模糊聚類方法。3.預期成果(1)將基于自回歸模型的無味卡爾曼濾波算法應用到腦機接口中，這是一種時域濾波算法，取得了較好的去噪效果，為特征提取和分類提供了有利的保證。(2)對腦磁信號進行了經(jīng)驗模態(tài)分解，使其滿足平穩(wěn)性，適合于用自回歸模型處理。并應用了數(shù)據(jù)降維的方法將腦磁信號從高維降到三維。實驗結(jié)果表明，這兩種算法取得了較好的識別率。(3)提出了一種基于半監(jiān)督的聚類算法，這將有利于減少訓練數(shù)據(jù)的測量次數(shù)。(4)在國內(nèi)重要學術(shù)期刊發(fā)表論文2-3篇。三、擬采

31、用的研究方法、技術(shù)路線、試驗方案及可行性分析：1.擬采用的研究方法和技術(shù)路線(1) 研究并討論無味卡爾曼濾波如何在腦機接口中應用首先，在分析了卡爾曼濾波算法的基礎(chǔ)上，要想使其適合分析非線性信號，需要對其進行改進。其中改進的濾波算法包括擴展卡爾曼濾波(EKF)和無味卡爾曼濾波(UKF)。鑒于UKF算法在處理非線性數(shù)據(jù)的成功應用，采用了UKF算法。在這一算法中，如何建立狀態(tài)方程和觀測方程，成為問題的關(guān)鍵。由于腦磁數(shù)據(jù)的內(nèi)部特性目前還不是很明確，選用了自回歸模型(AR)模型的作為系統(tǒng)的狀態(tài)方程，以AR模型的計算結(jié)果作為系統(tǒng)的觀測方程。針對目前沒有明確的AR模型參數(shù)確定的理論，在這里采取實驗的方法，即

32、將階數(shù)從115分別進行了實驗，從而選擇較好的模型階數(shù)。 (2) 針對腦磁信號的非線性和非高斯性的特征提取算法的研究在對傳統(tǒng)腦機接口特征提取算法分析研究的基礎(chǔ)上，主要采用了適合于處理非平穩(wěn)性的算法。為了驗證這一想法的合理性，首先選用了普通的非線性方法，自適應自回歸模型(AAR)，高階譜的AR模型，驗證其實驗結(jié)果是否相對于平穩(wěn)性的算法有提高。在驗證了這一想法的基礎(chǔ)上，對傳統(tǒng)的特征提取算法進行了改進，將經(jīng)驗模態(tài)分解方法(EMD)方法應用到腦磁信號中，將非平穩(wěn)信號分解為平穩(wěn)信號，然后用AR模型提取特征，分別對AR模型的階數(shù)從115做了實驗。針對腦磁信號的高維特性，在分析了主成分分析(PCA)有效性降維

33、的基礎(chǔ)上，并用線性判別分析(LDA)進行了改進，以低維的數(shù)據(jù)作為腦磁信號的特征，觀看算法的識別率。 (3) 設計改進的半監(jiān)督聚類算法在腦機接口系統(tǒng)中，常用的分類方法都是基于線性的分類算法。針對于腦磁信號的非線性特征，選用了非線性的分類器。首先，選用近鄰法驗證這一想法的可行性。近鄰法作為非線性分類的簡單算法，操作簡單，改進空間大。分別實驗了基于距離的近鄰法，數(shù)據(jù)依賴的核近鄰法，這些算法相對于近鄰法，雖然識別率提高不是很大，但驗證了非線性分類器的可行性。為了從訓練數(shù)據(jù)挖掘更多的信息應用到測試數(shù)據(jù)中，以此減少訓練數(shù)據(jù)的測量次數(shù)，提高系統(tǒng)的性能，提出了一種改進的半監(jiān)督聚類算法，以訓練數(shù)據(jù)的中心影響測試

34、數(shù)據(jù)的中心，從而增加算法的適用性。2.實驗方案(1)首先閱讀大量的資料，了解腦磁信號的特征，以及處理過程的細節(jié)，必要的算法進行重現(xiàn)，以檢驗理解的正確性和合理性。(2)針對不同的問題，先從簡單的算法入手，在對簡單的算法的仿真過程中發(fā)現(xiàn)其不足，對其進行改進。(3)對同一個問題，首先閱讀關(guān)于這一問題的相關(guān)文獻，得到這一算法的優(yōu)缺點，在對該算法形成認識的基礎(chǔ)上，對這一算法進行多角度的思考，驗證算法的可行性。如果在多角度的仿真過程中，沒有達到預期的效果，換一個算法對其進行試驗。4.可行性分析(1)知識儲備：通過對研究生期間專業(yè)課程的學習，對現(xiàn)代數(shù)字信號處理、模式識別基礎(chǔ)知識有了較為深入的了解，其次通過對大量相關(guān)論文的搜索和學習，使我對本課題有了一定的知識儲備。(2)研究內(nèi)容和技術(shù)路線的合理性：本課題的研究內(nèi)容是在前人已有研究基礎(chǔ)上進行了改進，并提出新的思路和方法，同時，腦磁去噪，特征提取以及分類識別等問題在腦機接口領(lǐng)域已有較為成熟研究成果，都有相應的理論支持