基于样本熵的注意力相关脑电特征信息提取与分类

提出一种用样本熵作为特征进行注意力相关脑电信号的分析与分类处理、并采用支持向量机(SVM)算法实现分类器的方法.7位年龄在20~30岁之间的男性受试者接受了执行3种不同注意任务状态下的测试.数据分析结果显示:样本熵分类法对注意任务相关脑电信号分类的正确率可达85.5%,优于传统频段能量法获得的分类精度(77.9%).这个结果暗示了样本熵能有效地识别出自发脑电中注意力相关信息,因而它可在脑电生物信息反馈治疗系统设计中获得广泛的应用.     

频域注意力机制下的癫痫脑电信号分类

为提高癫痫脑电信号特征分类的准确率,基于残差网络结构的深度学习,提出了一种频域注意力机制下的癫痫脑电信号分类(FDAM)算法。首先分析所提取的脑电信号特征,然后根据信号特征主要分布在时频域的幅值中的特点,通过残差网络对时频域幅值特征进行二次提取,最后为了使残差网络提取的特征集中在与分类结果相关性较大的频域,设计了一种频域注意力机制,在深度学习过程中增强该类频域的幅值特征,有效提高了癫痫脑电信号的分类准确率。采用公开数据库PhysioNet中的CHB-MIT Scalp EEG Database数据库对算法的分类性能进行了验证,实验结果表明,FDAM算法对正常状态和癫痫发作状态的脑电信号分类准确率达到98.05%,特异性为99.34%,灵敏度为96.12%。     

一种基于参数优化C-SVM的脑电信号分类方法及应用

脑电信号（electroencephalograph,EEG）由于自身信号微弱且容易受到周边环境和大脑内部其他活动的影响,对其进行特征分类并提高分类准确率这一问题一直是脑机接口领域的难点。传统的基于支持向量机（support vector machines, SVM）的脑电信号特征分类方法在选取惩罚参数与核函数参数时大都只是采用经验数据,而忽略了参数优化对提升SVM分类效果重要性,而现有的参数优化方法计算复杂严重影响了分类效率。针对以上问题,提出了一种通过交叉检验和LOO误差上界对C SVM中的惩罚参数C和核函数参数进行优化的方法,并在理论分析的基础上结合实验证明了参数优化后的分类方法能够有效提高脑电信号分类的准确率且对分类效率影响不大。     

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%.     

基于局部均值分解和迭代随机森林的脑电分类

为实现癫痫患者的脑电信号有效识别,进而提高患者的生活质量,针对脑电信号的非平稳、非线性特点, 提出一种基于局部均值分解和迭代随机森林相结合的脑电信号分类方法。首先利用局部均值分解将脑电信号 分解成若干个乘积函数分量和一个残余分量,然后对所有分量进行特征提取,并使用支持向量机、随机森林和 迭代随机森林方法进行分类。实验结果表明,迭代随机森林的分类准确率高于支持向量机和随机森林方法。 此方法为准确识别癫痫脑电信号提供了一个可行有效的途径,具有较好的推广和应用价值。     

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CSSD和SVM脑电分类技术的研究

本文研究的BCI实验是基于BC12003竞赛数据来对脑电信号分类。本文提出了一种脑电信号趋势的概念,使用支持向量机（SVM）作为分类器的算法。首先将BC12003竞赛数据通过中值滤波器和由小波函数构成的带通滤波器,然后用时间窗进行时域上地过滤,选取对于大脑思维活动现象表现最明显的一段数据,再通过共空域子空间分解（CSSD）从脑电信号中提取特征,最后基于提取的特征,通过SVM训练后,进行分类识别,分类识别率达到了85％～96％。实验中采用的特征提取方法和分类方法对于脑电信号的分类识别准确率提高了不少。     

基于相位同步的运动想象分类

针对多通道脑电信号特征提取过程中存在的特征向量稳定性低及区分度差的问题,提出相位同步与空间位置相结合的特征提取算法.首先,利用相位锁定值(PLV)衡量不同模式下不同脑区的相关程度,通过相关性分析发现感觉运动的作用机制,并按相关程度选取特征电极;然后,采用共空间模式算法(CSP)对所选电极间的PLV进行特征提取;最后,使用支持向量机(SVM)完成运动想象分类.本方法在持续4 s和1 s的左右手运动想象分类中分别获得平均91.3%和82.7%的准确率,相较于传统CSP算法具有更高的分类准确率,需要的电极更少,能快速响应短时不连续性运动想象.     

一种重复二分CSP4类运动想象脑电信号特征提取算法

针对脑机接口（BCI）系统中4类运动想象的脑电信号ERD/ERS现象进行研究,提出了一种重复二分共同空间模式（RB-CSP）算法用于4类运动想象脑电信号的特征提取,并运用SVM进行分类研究. 实验结果表明,该方法与传统的4分类CSP扩展算法OVR-CSP相比,减小了算法复杂程度,缩短了信号处理时间,提高了准确率,为在线脑机应用提供了一种新的解决方法.      

基于集合经验模式分解和公共空间模式的脑电信号特征提取

公共空间模式(common spatial pattern,CSP)能够较好地提取运动想象任务时脑电信号的判别特性,但是其性能与大脑进行想象任务的频带相关。为了确定这样一组频带实现精确的分类,基于集合经验模式分解、FIR滤波器组以及公共空间模式算法提出了一种脑电特征提取方法。预处理去除伪迹后的信号首先经过集合经验模式算法获得多个模函数,然后选择出包含μ节律和β节律范围的分量实现信号重构,重构后的脑电信号作为带通滤波器组的输入得到若干子带信号集合,从每个子带信号中提取CSP特征,最后将提取的特征经过支持向量机(support vector machine,SVM)进行分类。运用该方法对脑-计算机接口(brain-computer interface,BCI)竞赛数据集进行分类,实验表明该方法能够自适应地提取、筛选和判别每个受试者的空间CSP特征,分类准确率达96. 53%。