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.     

基于回溯搜索优化算法的运动想象 脑机接口频带选择

在基于运动想象的脑机接口(BCI)中,特征提取是影响整个系统性能的一个关键部分。共空域模式(CSP)是一种有效的特征提取算法,它能很好地提取与事件相关去同步/同步(ERD/ERS)生理特征相关的节律信息,因而在BCI系统中得到广泛应用。然而,CSP算法的分类性能极大地依赖于EEG信号的滤波频带。一般情况下,大都采用8~30 Hz的带通滤波器滤波,因为这个宽带包含了产生ERD/ERS想象的mu(8~12 Hz)和beta(18~26 Hz)节律。为了更加精准的定位最佳频带,将8~30 Hz的宽带滤波细分为大小不等的子带滤波,利用回溯搜索优化算法(BSA)与CSP相结合来选择最优频带,并以分类错误率作为BSA的适应度值(即频带选择标准)。使用该算法对5个受试者的实验数据进行了交叉验证分类实验。实验结果表明,最优频带的平均分类正确率比宽带(8~30 Hz)可高出7.91%。     

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。     

基于共空间模式和K近邻分类器的脑-机接口信号分类方法

脑-机接口是指在人脑和计算机之间建立的直接的交流和控制通道,它以脑电信号的形式反映人的意识,并转换成控制信号.针对两类运动想象脑电信号的分类问题,提出共空间模式和小波包分解相结合的脑电信号特征提取方法.利用不同小波包对训练集的多路脑电信号进行分解,再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,并采用K近邻分类器对提取到的不同特征进行分类,得到最优小波包函数和小波包子带参数.将结果应用于测试集数据的分类.仿真实验结果表明,选择db4小波包函数和4层小波包分解层,对8个特征点进行分类,可以得到高达96%的正确率.     

基于DTCWT和CSP的脑电信号特征提取

针对运动想象脑电信号中存在很多与运动想象无关的频率信号和共空间模式特征提取方法缺少频率信息处理的问题,提出了一种双树复小波变换与共空间模式相结合的特征提取方法.该方法首先选取C3、Cz、C4 3个通道的脑电信号进行上采样,并利用双树复小波变换多尺度分解,获取适当的频段并在相应尺度下进行信号重构;然后将各频段的三通道重构信号联合输入到空间滤波器以得到所需的六维特征向量;最后利用支持向量机来完成两类运动想象任务的分类.采用BCI CompetitionⅣ提供的Dataset 1数据进行实验验证,与CSP、FBCSP、WPD-CSP方法进行比较,7名受试者的训练数据平均分类正确率可达到96.0%,测试数据平均分类正确率达到86.7%.实验结果表明了所提方法的有效性.     

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。     

基于共空间模式和神经元网络的脑-机接口信号的识别

提出了一种基于共空间模式和LVQ神经元网络对不同意识的脑电信号进行分类的方法.脑电信号是通过电极在头皮表面采集的脑-机接口的控制信号,提取脑电信号特征并对其进行分类,组成不依赖于正常的由外围神经和肌肉组成的输出通路的通讯系统.首先利用小波包分解对原始脑电信号进行预处理,对分解后特定小波包子带的脑电信号进行共空间模式分解,提取最优的特征;然后利用LVQ网络对不同意识任务特征进行分类,实验结果表明,该方法取得了92.7%的平均分类识别率,已经达到脑-机接口实际应用的标准.     

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。     

基于降维Householder变换的多任务运动想象脑电信号特征提取研究

近年来,针对传统的左右手运动想象BCI系统信息传输速率低这一现状,众多脑-机接口(BCI)研究团队开始着眼于对多任务运动想象脑电信号的研究,相比于两类模式识别,多类模式识别能够有效提高BCI系统的信息传输速率。如何准确提取出多任务脑电信号的特征,是实现多任务BCI系统的关键。采用了基于初等反射变换(又称Householder变换)的矩阵近似联合对角化算法,将CSP算法应用于多任务运动想象脑电信号的特征提取,对EEG信号采集效果较好的受试者,四任务运动想象脑电信号的分类准确率提升至80%以上,为在线BCI系统的实现奠定了坚实的基础。     

基于MEMD的运动想象脑电信号的特征提取与分析

对于传统特征提取算法对运动想象脑电信号识别能力不足的问题,采用多元经验模式分解(multivariate empirical mode decomposition,MEMD)的方法用于分析运动想象的脑电信号.目前此方法主要应用在股票收益与宏观经济关系分析上,MEMD将标准经验模式拓展到多通道信号处理,适合于分析多元时间序列,并能够同时处理多通道的多尺度分解,进而在不同尺度下对多元时间序列的时间频率特性进行比较.通过Emotiv传感器对自定义的左右运动想象任务采集数据,采用MEMD提取相关脑电特征的边际谱,使用支持向量机对相关特征量进行分类.实验表明,此方法增强了定位脑电信号的频率信息的准确性,能够有效地提高对脑电信号的识别能力.