采用相对小波能量法的脑-机接口设计

针对基于两种不同意识任务(想象左手运动和想象右手运动)的脑-机接口,提出采用相对小波能量的特征提取方法.首先深入研究了相对小波能量的计算方法,然后利用相对小波能量对脑电信号进行特征提取,最后采用支持向量机进行分类,并采用分类准确率和互信息作为该脑-机接口的评价标准.离线分析结果表明:分类准确率最高为85.7%,最大互信息为0.41比特.与较常用的自适应自回归(AAR)模型系数作为特征的方法相比,所提方法具有更高的识别准确率和互信息.     

支持向量机方法在运动意识识别中的应用

为有效识别与运动想像相关的脑电模式,提出基于支持向量机(SVM)的运动意识分类新算法,利用sym2小波基函数对脑电(EEG)信号进行6尺度分解后,从每级分解中提取绝对值最大的小波系数作为信号特征,构成有效特征向量输入SVM分类器,实现基于EEG的运动想像模式识别.实验数据采用脑机接口竞赛(2003)的脑电数据,实验结果表明采用径向基核函数的SVM分类器可有效地对EEG进行运动想像分类,具有良好的泛化推广能力,为脑机接口的运动意识分类提供了新思路.     

基于小波方差的运动想象脑电信号特征提取

针对区分两种不同运动想象(想象左手运动和想象右手运动)的脑-机接口任务,提出了以小波方差作为分类特征的方法.首先深入研究了小波变换以及小波方差的计算方法,结合验证脑电图(EEG)存在的ERD/ERS现象,然后利用小波分解系数方差对C3,C4导联脑电信号进行特征提取,最后采用最简线性分类器进行分类,采用分类正确率作为主要评价标准.结果表明,最大分类正确率为85%,最佳分类时间段为4~6.5 s.与BCI竞赛和其他方法相比,在保证分类正确率的前提下,所使用的特征提取和分类方法更加简单,具有较高的参考价值.     

基于小波包能量的脑电信号特征提取方法

在脑机接口研究中,针对运动想象脑电信号的特征抽取,提出了一种基于小波包变换和AR模型的特征提取方法.该方法首先利用小波包变换对大脑C3和C4处采集的2路运动想象脑电信号进行3层分解,抽取小波系数的能量特征;然后,利用Burg算法提取脑电信号的5阶AR模型系数;最后,将这2类特征组合,使用基于马氏距离的线性判别分类器对左右手运动想象脑电模式进行分类,正确率达到91.43%.该方法提取的特征向量较好地反应了运动想象脑电信号的事件相关去同步和事件相关同步的变化时程,为BCI研究中脑电信号的模式识别提供了新的思路.此外,该方法的识别率高,复杂性低,适合应用于在线脑机接口中.     

基于多导联脑电时空信息的情感分类研究

为探究脑电空间关联信息与不同情感状态之间对应关系，基于SEED(SJTU Emotion EEG Dataset)情感脑电数据集，计算实验采集的不同导联脑电的皮尔逊相关系数，通过小波变换获取脑电导联之间的小波相干系数，利用Hilbert变换提取各个导联脑电的瞬时相位，计算脑电相位同步指数。然后分别将皮尔逊相关系数、小波相干系数、相位同步指数作为特征，采用支持向量机分类器实现正性、负性、中性三种情感状态的有效分类。仿真结果表明，脑电的空间关联特征用于情感识别是有效的，可以达到91.5%的情感识别精度；利用脑电微分熵的皮尔逊相关系数获得了93.7%的平均分类准确率；并且脑电γ节律相比α、β节律更有利于情感识别。该研究可以应用于情感脑机接口系统。     

基于能量特征的左右手运动想象脑信号的识别方法

提出了一种基于能量特征的左右手运动想象识别方法,利用快速傅里叶变换分析特定脑电(μ波和β波)的频率分布,然后利用小波分解去噪,再利用小波包分析脑电能量,提取能量特征,最后基于支持向量机(SVM)进行左右手运动想象的识别。本文把能量作为特征的支持向量机(SVM)识别法分别与自适应自回归系数法(AAR)和相同步分析法进行比较。仿真结果表明:在相同样本数据情况下,能量特征作为特征向量的SVM识别准确率明显高于其他2种方法。     

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.     

脑机接口中基于小波包最优基的特征抽取

在脑机接口研究中,针对脑电特征抽取,提出一种基于小波包最优基分解的方法．依据距离准则,从小波包库中选择一个对分类最优的小波包基;在该小波包基包含的所有分解系数中,抽取部分具有最大可分性的系数作为有效特征;不同通道脑电信号有效特征的结合,构成分类的特征矢量．通过对该特征矢量可分性和识别精度两个性能指标的评估,并与现有分类结果进行比较,表明了所提出方法的有效性．     

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.     

基于脑电特征的多模式想象动作识别

对不同部位肢体想象动作诱发的脑电特征进行辨识,并提取出对应的思维信息,这是实现脑-机交互的经典方法之一,传统的左、右手双想象动作诱发模式下信息转化效率较低,引入多个肢体部位想象动作的多模式转化方法可望改善这一缺点.采用二维时频分析结合Fisher分析的方法,从典型受试者的多模式想象动作脑电信号中提取出有利于分类识别的事件相关去同步化和同步化特征信息,再使用支持向量机建立双层分类器对多模式想象动作进行分类识别.本方法对于4种不同肢体部位的识别可以达到较高的正确率(85.71%).结果表明,多模式想象动作的诱发脑电特征信息具有明显的空间特异性,可以用于脑-机交互思维任务的识别和提取,值得进一步研究.     

基于非线性特征提取的EEG信号支持向量分类器

为提高癫痫脑电(EEG)信号的正确识别率,设计了一种基于非线性特征提取的EEG信号支持向量分类器.分类器首先将EEG信号通过四层小波包变换分解到不同频段,然后计算各频段小波系数的近似熵(ApEn)值,作为特征向量,最后使用支持向量机(SVM)进行分类.实验结果显示该分类器能有效提高正确识别率.     

基于AAR模型和累积频带能量的特征提取方法

提出了一种自适应自回归（AAR）模型参数和累积频带能量相结合的特征提取方法,该特征应用于基于运动想象脑．机接口（BCI）之中,实现左右手运动想象分类,改善BCI系统的性能．首先,对头皮EEG数据进行小波分解和重构,去除EEG中的噪声,得到不同频带的EEG数据．然后,提取EEG数据的AAR模型参数特征和不同频带的频带能量特征,提出了累积频带能量特征和AAR与累积频带能量相结合的特征提取方法,分别以AAR模型参数、频带能量、累积频带能量和AAR＋累积频带能量为特征,利用线性判别分析（LDA）分类器对左右手运动想象任务进行特征分类．最后,对不同特征的分类结果进行比较,得出以AAR＋累积频带能量作为特征在BCI系统中的优越性能．     

EEG Signal Denoising and Feature Extraction Using Wavelet Transform in Brain Computer Interface

Electroencephalogram (EEG) signal preprocessing is one of the most important techniques in brain computer interface (BCI). The target is to increase signal-to-noise ratio and make it more favorable for feature extraction and pattern recognition. Wavelet transform is a method of multi-resolution time-frequency analysis, it can decompose the mixed signals which consist of different frequencies into different frequency band. EEG signal is analyzed and denoised using wavelet transform. Moreover, wavelet transform can be used for EEG feature extraction. The energies of specific sub-bands and corresponding decomposition coefficients which have maximal separability according to the Fisher distance criterion are selected as features. The eigenvector for classification is obtained by combining the effective features from different channels. The performance is evaluated by separability and pattern recognition accuracy using the data set of BCI 2003 Competition, the final classification results have proved the effectiveness of this technology for EEG denoising and feature extraction.     

基于HVS的DWT图像压缩混合编码算法

为提高数字图像在高压缩比下重构图像的质量,分析研究现有离散小波变换（discrete wavelet transform,DWT）图像压缩的相关算法以及小波系数特性,提出一种基于人眼视觉系统（human visual system,HVS）特性对小波系数进行加权,结合小波各子带系数特性,采用差分脉冲编码调制（differential pulse code modulation,DPCM）与多级树集合分裂排序（set partitioning in hierarchical trees,SPIHT）相结合的编码方法．经视觉信息保真度分析实验验证,与传统的嵌入式零树小波（embeddedzero—tree wavelet,EZW）和SPIHT算法相比,在相同的比特率下该算法重构的图像具有更好的主观视觉效果．     

脑-机接口中小波和小波包方差的特征比较

针对两种不同意识任务的脑-机接口设计,提出了以方差作为特征的方法和以分类速率作为评价标准之一的新方法.首先深入研究了小波理论,分析了小波包分解中存在的频带交错现象,然后以小波系数和小波包系数的方差作为特征,对C3,C4导联脑电信号分别进行两种特征的提取,最后采用线性支持向量机作为分类器进行分类.结果表明,两种特征对应的最大分类正确率均达到了86.43%,对应时间分别为4.32和4.31 s.因此,以小波方差和小波包方差作为特征是完全可取的;分类速率的提出能同时反映分类正确率和分类时间,为大脑意识任务分类提供了新思路.     

基于WT-W2D2DPCA的人脸识别算法研究

人脸识别过程中,针对二维主成分分析(2DPCA)算法在特征提取和数据降维上存在的问题,本文首先引入双向二维主成分分析(2D2DPCA)算法,该算法同时考虑图像行与列方向上的信息.考虑到人脸图像存在信息冗余而影响识别率的问题,于是本文提出一种基于小波加权双向二维主成分分析(WT-W2D2DPCA)的人脸识别算法.该算法首先采用二级小波分解对人脸图像进行预处理,提取其低频部分;然后根据人脸图像的特性,将低频部分进行奇偶分解,并引入加权思想,重组低频人脸图像,最后在ORL人脸数据库上进行双向二维主成分分析.实验结果表明,该方法不仅克服了传统2DPCA系数矩阵大的问题,而且得到了比传统的2DPCA、2D2DPCA算法更好的识别效果.     

基于自适应的小波阈值和GTEO进行说话人识别

小波压缩是基于小波系数的阈值的一个简单去噪方法.它对于所有的含噪语音,都使用一致的阈值,不仅压缩了噪声,也压缩了部分语音成分,因此滤掉的语音感知质量会受到极大的影响.在小波去噪过程中采用了自适应阈值小波包方法.同时把小波去噪和推广的TEO结合起来,去提高系数的鲁棒性.为了进一步提高识别率,在识别阶段,采用改进的MCE算法.实验结果显示,提出的方法取得了较好的效果.     

基于CNN 和sEMG 的手势识别及康复手套控制

由于sEMG( Surface Electromyography) 对肌肉疲劳、不同患者以及电极位移等都非常敏感,设计一种可 靠、鲁棒的智能手部康复设备仍然是一项艰巨的工作。为此,提出一种基于深度学习的康复手势神经解码方 法,利用患者前臂的表面肌电信号,通过卷积神经网络( CNN: Convolutional Neural Network) 识别患者的手部运 动意图。通过组合特征提取方法,对8 通道肌电信号每个通道的信号进行组合特征提取,组合特征包括小波包 分解能量特征、时域特征和频域特征共32 个特征。将8 个通道特征组成一个8 × 32 的数值矩阵并进行灰度处 理成特征图,再用此特征图训练卷积神经网络,对5 种不同手势进行分类,分类器准确率达到98． 1%。最后通 过STM32 I /O 口根据分类结果输出对应的PWM( Pulse Width Modulation) 控制信号控制康复手套的动作,表明 了该方法的可行性,为深入研究康复手套运动控制奠定了基础。     

基于感觉运动BCI系统的EEG手部运动分类

对于残疾人或者运动不便的健全人,感觉运动相关的BCI（Brain Computer Interface）系统是十分必要的.BCI系统的关键部分是对EEG（Eletroencepalograph）信号的采集、提取和分类.本文研究的是手部三种动作在运动执行的情况下,人脑产生的EEG信号的不同.利用EEG信号在运动时发生于大脑感觉运动皮层区域的ERS（Event-Related Synchronization）和ERD（Event-Related Desynchronization）现象,运用EMD（Empirical Mode Decomposition）等算法进行信号的特征提取,然后进行分类,得出了平均准确率为78.75％的良好结果.此次研究提供了一种基于EMD新的有效的运动相关BCI系统研发中的EEG信号的特征提取算法.