利用小波分解和支持向量机的心理意识真实性识别研究

采用小波分解和支持向量机(SVM)技术,提出了一种对说谎脑电(EEG)信号特征进行分类的方法,将其应用于心理意识真实性的检测,获得了满意的结果.以真伪已明确的有意义的个人信息(如姓名、生日)作为被测试的隐藏信息,应用隐藏信息(CIT)测试模式对15名受试者各进行两组测试,并记录其脑电(EEG)信号.提取了探测刺激和无关刺激诱发EEG信号的小波系数,并应用具有统计学意义的特征参数作为SVM分类器的输入进行识别分类.实验结果显示,应用leave-one-out交叉验证法对30组样本数据进行训练测试,获得平均正确识别率为88.3%.因此,该方法可以作为一种心理意识真实性检测的新方法,具有无创、较高正确检测率等优点.     

基于CSP-PSO-SVM的运动想象EEG信号特征提取与分类算法

为了解决EEG信号特征提取困难及识别率低等问题,提出一种基于CSP-PSO-SVM的脑电(EEG)信号特征提取与分类算法。该算法首先通过小波包变换实现EEG信号的预处理,提取出EEG信号中的特定频段信号,然后通过构建"一对一"共空间滤波器对EEG信号进行特征提取,最后通过粒子群优化的支持向量机算法实现EEG信号分类识别,并选用2008BCI竞赛2A数据集进行算法分类效果校验。研究结果表明:改进型CSP-PSO-SVM算法的分类准确率最高可达到93.07%,且其平均准确率比其他算法的高。其特征能很好地反映EEG信号的特点,可明显提高分类识别的准确率,可为脑机接口的发展与应用提供参考。     

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.     

采用小波变换的脑电图信号分析及其应用

为解决用小波变换方法进行脑电图(EEG)多分类自动识别容易出现特征信号混同化、识别率不高的问题,将小波变换中小波基的选取方法由单个的小波母函数改为能适应不同波形的多小波基,然后用支持向量机的方法进行分类.结果表明:在典型的脑电波EEG信号自动识别中,与传统的单小波母函数相比,多小波基(小波母函数序列)能检测出更多的特征波形;用基于多小波基的小波变换识别方法要明显优于基于传统的Coif,Morlet等单小波基小波变换方法 .     

基于小波变换特征提取的支持向量机心搏分类研究

在对心电信号进行离散小波变换并提取优化特征组合的基础上,利用标准算法(l-a-r算法)和二叉树算法分别构建支持向量机分类器实现心电图的分类,对不同小波下提取不同维特征向量构建的分类器性能进行比较,同时对取自MIT-BIH数据库的4类心电图(正常心搏、左束支传导阻滞心搏、右束支传导阻滞心搏和起搏心搏)进行分类.结果表明,采用标准算法对db2小波下8维特征向量训练的支持向量机分类器分类性能最优,总体分类正确率达98.770/0.     

改进的阈值小波和PSO－SVM算法及应用

本文提出了基于改进阈值小波及改进支持向量机的低速重载滚动轴承故障识别方法.首先在实验台上测量三种不同工况的轴承信号,利用改进阈值小波对信号进行降噪处理,将降噪的信号利用小波包分解法得出各频带的特征能量值;其次利用粒子群算法来优化支持向量机的学习因子,提高支持向量机多分类器的识别性能;最后,将特征能量值导入优化后的多分类器,实现低速重载滚动轴承的智能识别.结果表明,结合后的方法有着良好的诊断效果.     

基于粒子群优化支持向量机康复下肢外骨骼的脑电控制研究

为解决失能人群自主移动的问题,脑机接口(brain computer interface, BCI)已广泛应用于外骨骼领域,但脑电(electroencephalogram, EEG)信号因信噪比低等原因导致识别率一直难以提高。为提高基于脑机接口下肢外骨骼的信号识别率,采用粒子群优化支持向量机(particle swarm optimization-support vector machine, PSO-SVM)算法提高脑电信号识别率,取得了86.52%的脑电信号识别率。首先建立共空间模式(common spatial pattern, CSP)数学模型对脑电信号进行特征提取,随后建立基于粒子群优化的支持向量机分类模型,优化脑电信号分类关键参数,将最终的实验数据与传统的支持向量机分类方法比较,最后进行算法的验证及下肢外骨骼实验。实验结果表明：经过粒子群优化的支持向量机分类准确明显高于传统支持向量机分类。所提出粒子群优化支持向量机对脑电信号的特征识别方法可实现运动想象(motor imagery, MI)的精确识别,为脑机接口技术在康复外骨骼领域的应用提供理论基础和技术支持。     

小波支持向量机在滚动轴承故障诊断中的应用

为提高支持向量机故障分类器的性能,提出了一种小波核函数支持向量机故障分类器.基于平移不变核函数条件,推导证明了Mexican hat小波函数是一种容许核函数.利用正常、滚动体故障以及内、外圈故障4种状态的轴承试验数据,研究了小波支持向量机分类器的性能.与基于RBF核函数的支持向量机的分类结果进行对比表明,小波支持向量机具有更高的分类正确率.     

基于支持向量机的分级调制识别方法

目前大部分调制识别方法存在计算量过大和分类器训练困难等问题.针对这一现状,提出了一种基于支持向量机(SVM)的分级调制识别新方法.将接收信号的累积量和瞬时频率统计量作为分类特征参数,并利用支持向量机作为分类器对其进行分级调制分类.该方法相比其他非分级调制识别方法具有较低的计算复杂度和较快的分类器训练速度,并且对于载波频率偏移、相位抖动以及Gauss噪声均具有良好的鲁棒性.计算机仿真表明,针对ASK、FSK、PSK、QAM等11种数字调制信号,当噪声采用Gauss白噪声,并且信噪比≥5 dB时,正确识别率高于95%.     

基于P300和机器学习的测谎方法研究

为了克服传统测谎方法没有考虑到相同刺激下受试者思维状态变化的缺点,提出了基于P300和机器学习的测谎方法.该方法使用典型的3刺激测谎范式,首先记录30名随机划分的撒谎者和无辜者的12导脑电(EEG)信号,使用独立成分分析方法(ICA)分解由探针刺激产生的脑电信号,利用在Pz电极上分布强度大的独立分量重建Pz波形,将每名受试者的的若干个Pz波形进行平均,提取两步降噪后的每个Pz波形的时域和小波特征.最后,使用分类器区分P300和非P300波形,进一步计算出个体测谎诊断率.实验结果表明,支持向量机(SVM)适合于说谎意识状态的分类,提出的方法可以有效地改进单次刺激记录上的信噪比,提高P300成分的识别率,进而提高测谎诊断率.     

基于BP神经网络的癫痫脑电信号识别研究

为了有效识别癫痫脑电信号,建立了基于误差反向传播（BP）神经网络的癫痫脑电信号识别模型,并提出了一种适合于非平稳脑电信号的特征提取方法。本文以临床采集的包含癫痫发作期的五组500个EEG公共数据为样本,选择了具有任意多分辨分解特性的小波包．对信号进行多尺度分解,提取了各级节点的小波包系数。将小波包系数能量作为特征值,构建了特征向量并输入到BP神经网络分类器中进行自动识别。实验结果表明,该算法的识别率达到了92．5％。     

融合频带能量特征和双向门控循环单元的运动想象意图识别

针对脑电信号分类正确率低的问题,结合频带能量、小波包变换和双向门控循环网络,提出了一种基于频带能量特征序列和深度学习算法的运动想象意图识别方法。首先,利用小波包变换对脑电信号进行分解、重构,获得运动想象相关频带信号;其次,对所得频带信号进行加窗,并滑动截取,通过计算所截每段信号能量,实现能量特征的时序化分解;最后利用双向门控循环网络对脑电信号进行识别并输出分类结果。实验结果表明:所提算法取得了92.1%的分类正确率,表明所提方法是切实可行的,能够有效改善分类识别率。     

基于FSWT和GBDT的癫痫脑电信号分类研究

为解决癫痫脑电信号分类类别以及分类精度不足的问题,使用频率切片小波变换对脑电数据进行信号重构,得到5 个频段的节律信号,再利用非线性指标近似熵和线性指标波动指数共同作为癫痫信号的特征值,充分提取信号的特征信息。随后使用梯度提升树算法对得到的特征数据集进行多分类。实验表明,该算法对癫痫脑电信号的三分类识别率为98． 4%。较传统Adaboost 算法,该方法采取了GBDT( Gradient Boosting Decision Tree) 作为分类算法,成功利用更多的数据集,并且使得分类精度更高。     

基于多分类SVM算法的癫痫发作自动检测方法

高性能的癫痫脑电信号自动检测方法对减轻医生负担并提高癫痫的诊断效率具有重要临床研究意义。论文提出了一种能够区分正常、癫痫发作和发作间期脑电信号的高性能三分类系统。采用Daubechies 4小波构成的4级提升式小波变换将脑电信号分解为不同子带信号,求得不同子带信号的近似熵、Teager能量、局部波动率、自回归系数、Hurst指数特征值;利用Fisher得分法进行特征选择,提高分类精度同时减小计算复杂度;基于二叉树多分类支持矢量机(support vector machine, SVM)对脑电信号分类,实现正常、癫痫发作和发作间期信号的自动检测。实验表明,系统的准确率、灵敏度和特异性均达到100%,优于现有的分类识别方法,提出的三分类系统具有良好的分类性能,为癫痫及癫痫发作的临床检测提供了较好参考价值。     

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.     

一种基于S变换及样本熵组合特征的癫痫脑电信号分类方法

癫痫脑电信号的自动检测对癫痫的临床诊断与治疗具有重要意义。为了解决脑电信号采用单一特征识别率不高的问题,提出了一种基于S变换与样本熵组合的癫痫脑电信号自动识别方法。首先对原始信号进行S变换;然后对变换后脑电信号各节律的幅值分别求其波动指数,将其与原始信号计算得到的样本熵组合为特征向量;最后采用支持向量机进行癫痫脑电信号自动识别。实验结果表明:方法的分类准确率明显提高,准确率可达到98.94%。     

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.     

组稀疏贝叶斯逻辑回归的P300信号通道自动选择算法

为了提高脑机接口中P300脑电信号的分类准确率和计算速度,提出一种组稀疏贝叶斯逻辑回归的P300脑电信号通道自动选择算法.该算法首先在贝叶斯框架下建立P300脑电信号的解码模型,其次提出先验的组自动相关确定(GARD)方法构建组稀疏约束下的P300脑电通道权重系数,最后通过最大似然估计来求解超参数并选出P300脑电通道最优子集,避免了大量的交叉验证过程.所提方法在BCI竞赛数据和自采集数据上进行了验证分析.实验结果表明,所提的方法能够自动选择P300脑电通道子集,提高了P300特征分类准确率.     

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．