隐秘信息的脑电检测

为揭示疑犯隐藏的真实信息,检测隐秘信息的脑电,设计了一个猜测受试者真实名字.结果表明:在个体对不同自我相关程度名字产生刺激,在刺激出现后的300～600 ms内,本人名字诱发的正波幅值大于陌生名字刺激.通过小波变换提取特征,用支持向量机进行训练和分类.在进行5个试次叠加平均后,采用PO3通道可将自己的名字分类成功,5位被试平均正确率达98%,该方法可应用于个体隐秘信息的脑电检测.     

自适应单次运动想像最优特征提取研究

为得到区分左右手运动想像脑电信号的最优特征,提出了一种自适应单次脑电特征提取方法.该算法先按运动想像电位生理学原理对不同被试寻找事件相关去同步/同步(ERD/ERS)现象最明显的频段与时间段,再按照这些参数提取C3,C4导脑电信号的能量,最后取其能量比值作为左右手想像分类的特征.采用公共标准数据集做测试,运用支持向量机(SVM)进行分类,并与AR特征提取法对照.结果表明,该法可有效提高分类正确率(平均90.7%,最佳98.7%),优于使用固定频段与时间段的AR特征提取法(平均77.4%,最佳92.8%),且算法复杂度低于AR特征提取法,适应性稍强于AR特征提取法,适合在线应用.     

基于触觉P300的脑控下肢康复机器人

基于P300信号的脑机接口技术在康复医疗领域具有广阔的应用前景,但P300信号的诱发方式多为视听刺激诱发,容易导致患者视听疲劳,同时也限制了视听障碍患者的使用。针对这些不足,设计一种基于触觉P300的脑控下肢康复机器人系统,在被试的左右食指处各放置一个振动器,通过调整左右手振动器的刺激间隔、刺激时长及刺激比例让P300信号更容易诱发和区分;利用共空间模式算法和支持向量机对信号进行特征提取和分类。被试通过选择关注左手或右手的振动刺激输出不同指令,从而控制下肢康复机器人进行相应动作。实验证明,被试通过感受振动刺激可以轻松诱发脑电中的P300信号,在不进行P300信号平均叠加的条件下,分类准确率为86.50%,既保证了较高的分类准确率,又缩短了指令输出时间。每位被试均可通过下肢康复系统顺利完成训练任务,证明了该方法的可行性。     

基于WPD和CSP的四类运动想象脑电信号分类方法

针对多通道四类运动想象脑电信号分类问题,引入小波包分解(WPD)与共空间模式(CSP)融合的脑电信号特征提取方法.首先利用小波包对训练集的多路脑电信号进行分解,然后用共空间模式算法对不同分解层子带的脑电信号进行特征提取,最后设计了基于支持向量机(SVM)的分类方法.应用提出的方法对四类运动想象脑电信号进行了特征提取和分类,分类正确率达到71.5%;相对于单纯的CSP特征提取,正确率提高了5.8%,说明了该特征提取及分类方法对该数据集的有效性.     

基于信息积累技术的大脑运动意识任务分类

提出了将信息积累技术结合Fisher判别式分析的方法,实现大脑想象左右手运动意识任务的连续分类,获得了满意的结果.利用Morlet小波滤波方法提取优化的运动相关脑电特征,对两组实验数据4个受试者的运动相关脑电模式进行分类,平均最大分类正确率达到87.95%.通过最大分类正确率、最大互信息等评价指标的比较,验证了信息积累技术对改善大脑运动意识任务分类性能的有效性,从而为脑机接口系统应用中大脑运动意识任务分类提供了新的思路.     

基于Fisher判据时频分析的运动相关脑电特征选择及优化

提出了一种基于Fisher判据的运动相关脑电特征优化选择的时频分析方法,为优化选择与运动意识最相关的有效脑电频率成分提供了理论依据.在此基础上,利用具有高时频分辨率的Morlet小波方法,提取与脑电特征优化过程最为匹配的特征信息,对4个受试者运动相关脑电模式进行分类,平均最大分类正确率达到87.95%,通过最大分类正确率、最大互信息两项评价指标比较,验证了基于匹配追踪和Fisher判据时频分析的特征优化方法对改善大脑运动意识任务分类性能的有效性.实验结果表明,该文所提出的方法可望应用于脑机接口系统的运动相关脑电特征优化和选择中.     

快速序列视觉呈现任务下的脑电分类算法

提出了一个在快速序列视觉呈现任务下的脑电信号分类算法.将图片序列快速呈现给受试者并将同步采集脑电信号,将脑电信号截取分段作为样本集.通过约束有监督降维后样本与样本中心差值的趋近方向,使用训练集脑电数据训练得到映射矩阵;通过特征提取函数将训练集和测试集的脑电数据样本变换为特征矢量,使用支持向量机对样本进行分类.实验结果表明,算法对24名受试者的脑电信号分类的平均正确率为91.5%,平均AUC达到了0.95,证明脑电分类算法具有良好的分类性能,可以在快速序列视觉呈现任务中准确地识别目标图片.     

基于S变换和共空间模式的运动想象脑电特征提取

针对共空间模式算法运用于运动想象脑电信号特征提取分类正确率低、计算实时性差等问题,提出运用S变换结合共空间模式算法对脑电信号进行特征提取方法。经过S变换后的信号具有更加明显的时、频、相特征,再运用共空间模式算法提取特定任务信号成分的特征,最后用支持向量机进行分类。实验结果表明:在S变换采样数较多的情况下,平均正确率达到92.8%,大大超过单纯使用共空间模式算法的正确率。如果降低S变换的采样率,系统实时性得到大幅提升,平均运行时间仅为0.85 s,平均分类正确率可达89.8%,比仅运用共空间模式算法的运行时间缩短30.9%。可见,不仅可提高运动想象脑电信号的分类正确率,还可以提高分类的实时性。     

一种新型结合下肢动觉运动想象和视觉运动想象的脑机接口

基于运动想象（Motor Imagery,MI）的脑-机接口（Brain-Computer Interface,BCI）是一类重要的BCI,传统的MI方式是动觉运动想象（Kinesthetic Motor Imagery,KMI）,较少采用视觉运动想象（Visual Motor Imagery,VMI）.提出一种KMI与VMI混合的BCI并评估其性能.共招募12名被试参加离线与在线实验EEG(Electroencephalogram)数据采集,离线实验先以KMI方式分别进行屈膝和伸膝,然后分别以KMI,VMI和VKMI三种方式行走,由离线分类精度与三种不同方式想象行走的脑激活程度确定在线实验方案.提取EEG幅值包络线特征,并采用朴素贝叶斯分类器、二次线性判别和决策树进行在线分类,验证系统性能.溯源分析表明,使用新的想象方式进行行走想象时,运动皮层的激活时长高于VMI,体感皮层的激活时长高于KMI,混合的想象方式可能更有利于促进这些脑区的可塑性. 12名被试在线测试三分类的平均准确度达到63.29%±0.09%,平均卡帕系数为0.45±0.13.该研究可望为未来研发下肢运动功能障碍康复训...     

基于脑电的立体视频加速度的特征识别

构建一种能够自适应提取脑电特征的PMEMD-2JSD-CSP模型,明确了立体视频的两类匀加速深度运动的可分性.利用部分噪声辅助多变量经验模态分解(PNA-MEMD)对脑电(EEG)信号进行分解得到本征模态函数(IMF),应用基于詹森-香农散度(JSD)的有效因子对IMF进行两次不同范围的自适应筛选,筛选结果按照权重叠加构成重构信号.利用共空间模式(CSP)对重构信号进行空域特征提取,支持向量机(SVM)对特征进行分类,分类正确率最高为73.16%,证明了该模型对两类EEG信号特征提取的有效性.     

非监督特征学习方法在脑电身份识别中的应用

设计并实现了采用非监督特征学习方法对模拟阅读事件相关电位实验中多名受试者脑电信号的特征提取,并对提取的特征向量进行了模式分类.实验中共采集5名受试者脑电信号,每名受试者的特征样本集由其接受模拟阅读靶视觉刺激后100⁴00ms在通道PO3、O1、Oz、O2、PO4、P4、P8、CP6的脑电信号样本组成,各受试者样本集均含400个试次样本.非监督特征学习过程由含6个神经节的BP神经网络完成,后选用支持向量机作为分类器.对比了1试次,2试次、5试次、10试次样本叠加等几种不同情况下采用非监督特征学习方法提取特征的分类正确率.实验结果表明:采用多神经节人工神经网络对5名使用者5试次叠加信号样本提取的特征向量的分类正确率高于90%,显著优于对各单通道时域特征向量的分类正确率,该方法可为以脑电信号为特征的身份识别系统提供一种可行的特征提取方式.     

基于非线性参数的意识任务分类

研究了非线性参数作为脑电（EEG）信号特征时对意识任务分类的作用，使用的3种非线性参数特征为最大Lyapunov指数、轨道平均周期和轨道平均初始距离，分类方法为Fisher线性判别式．对4个实验对象共60个任务对进行了分类处理．使用3种参数在2s数据段上取得的平均分类精度分别为82．3％、90．7％和93．3％．在较短（1s）的数据段上，应用轨道平均初始距离参数进行分类取得了平均为90．8％的正确率，分类精度接近于Anderson取得的实验结果．轨道平均周期和轨道平均初始距离算法具有较小的运算量，能够应用于在线系统．     

基于视觉和操作类脑电信号的脑力负荷分类

针对视觉和操作类任务，提出了一种基于脑电独立分量特征的脑力负荷分类方法.利用独立分量分析法从混合脑电信号中分解获得脑电信号的独立分量，再提取脑电独立分量的4个不同频段的能量特征，并对能量特征进行分类.基于脑电信号特征和脑电独立分量特征分别进行了脑力负荷分类实验，得到平均分类准确率分别为60.52%，86.14%，后者比前者提高了42.33%.     

基于序贯似然比检验的运动想象脑电信号分类方法研究

快速准确地对脑电信号进行特征分类是脑-机接口研究的关键问题之一．从人脑决策模型出发,结合自适应小波基特征提取方法,提出了一种基于序贯似然比检验的运动想象脑电信号动态分类方法．该方法在分类中无须预先固定样本量,〖JP2〗而是逐次取样,累积分类信息,有利于解决脑-机接口的实时控制问题．为了更好地衡量该方法的有效性,进行了10次10折交叉验证,实验结果表明3个运动想象数据集共8位受试者的平均正确率达到87%以上,〖JP〗互信息和分类时间等指标也表明该方法能够有效提高脑-机接口系统的性能,具有较好的实用性．     

基于脑电信号的手指动作识别

分类识别技术在脑-机接口的研究中占有重要地位,本文基于在事件相关脑电图中,存在的运动感觉皮层脑电位下降和事件相关非同步现象,运用了一种基于共空域子空间分解的算法,对左右手指动作时的多通道脑电信号进行了特征提取。最后,根据提取的特征进行了手指动作的识别,在对三个人的脑电数据识别中,平均识别率达到了75.6%。     

基于运动相关脑电特征的手运动方向识别

为了研究如何从无创运动相关脑电中提取运动信息作为上肢主动康复训练的控制命令,通过设计实验,使右手完成左、上、右3个方向的运动,同时采集脑电数据和右手运动信息.通过小波时频分析确认与右手运动相关的脑电频带,并提取其小波分解系数作为特征,采用支持向量机进行特征分类,根据方向识别准确率分析提取特征的有效性.结果表明,运动脑电delta和theta频段的小波系数特征可以有效区分右手不同方向的运动,方向识别准确率的均值接近65%,并且用准备阶段特征分类的结果普遍优于运动阶段特征,因此,在手运动之前诱发的脑电活动含有丰富的运动信息,可用于脑-机接口系统提取上肢主动康复训练的控制命令.     

脑电信号中独立分量特征提取与脑力负荷分类

脑力负荷过高会造成作业绩效下降和人因事故,过低则会造成人力资源浪费,所以研究操作人员脑力负荷状态非常有意义。现有脑力负荷分类方法利用脑电(electroencephalogram, EEG)信号特征进行分类,准确率较低。所以,本文针对视觉和操作类脑力负荷提出一种基于脑电独立分量特征的分类方法,该方法采用独立分量分析(Independent Component Analysis, ICA)对脑电信号进行分离,直接对得到的独立分量提取四种不同频段的能量特征,最后将特征作为支持向量机(Support Vector Machine, SVM)的输入,对脑力负荷进行分类。由于直接使用脑电独立分量特征,所以分类精度高于现有方法,平均分类精度提高29.14%。本文还进一步发现脑电独立分量中存在的眼电伪迹对分类结果没有明显影响。本文提出的方法可以实现快速、准确、自动的脑力负荷分类。     

基于稳态视觉诱发电位的脑电控制上肢康复机器人

针对现阶段基于脑机接口(brain-computer interface,BCI)的康复机器人存在多目标分类时间长、识别准确率仍有待提升的问题,设计了一种由脑电信号控制的上肢康复机器人,对脑电信号中的稳态视觉诱发电位(steady-state visual evoked po-tential,SSVEP)分类,进而判断出受试意图并输出相应动作指令.基于MATLAB的Psychtoolbox工具箱设计了包含5个刺激矩形的频闪界面作为视觉刺激器,刺激大脑生成SSVEP信号,对应上肢康复机器人的5个控制指令.运用多导联同步指数(multivariate synchronization index,MSI)算法对采集到的信号进行分类并输出控制指令,机器人在接收指令后执行特定动作.实验得到的机器人动作正确率最佳为98.33％,平均信息传输速率为23.11 bit/min.结果表明:SSVEP信号控制的上肢康复机器人在辅助治疗的方面具有良好的应用前景,可以有效提高肢体偏瘫患者的康复效果.