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Alpha波的异步脑-机接口系统

利用Alpha波建立了一个脑-机接口系统,包括脑电数据采集、脑电信号分析、特征提取和分类,并进行了实时在线分析.该脑-机接口系统的工作模式为异步,测试者可以任意选择何时启动系统,并随意选择4个命令中的一个进行输出,是一种更加自然的人机交互方式.实验结果表明,该系统取得了很高的分类正确率,具有很好的实用性.     

基于主成分分析和Fisher准则的脑电信号分类

脑-机接口(brain-computer interaction,BCI)利用脑电信号实现人脑与计算机或其它电子设备的通讯和控制,P300拼写范式是脑机接口中的一种常用方法.将遗传算法和支持向量机用于脑电信号的分类.选取三个实验者的实验数据作为处理对象,采用主成分分析和Fisher准则相结合提取特征.在用主成分分析降维后,Fisher准则进一步提取有效特征,提升分类准确率.采用支持向量机对特征数据分类.Fisher准则在特征提取中具有良好的效果.     

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,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,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。     

基于特征筛选的经验模式分解脑电信号分类方法

脑-机接口已成为一种独立于正常周围神经和肌肉的从大脑到输出设备的新型通信方式.而脑电信号处理是其中的关键技术之一.利用小波变换和经验模式分解对脑电信号进行分解重构出8个内涵模态分量(IMF),然后再对分解后的IMF计算排列熵,运用比较特征值的显著性差异(Pearson系数)筛选出特征冗余小的IMF熵值,并利用遗传算法优化支持向量机进行分类,准确率达到97.64％.     

相干平均单次提取脑-机接口信号

为了实现脑-机接口通信信号的单次提取,基于视觉诱发电位在脑部不同位置的相关性应该比自发脑电信号强这一特点,采用多通道的同步平均信号作为特征,用支持向量机分类算法,对一名受试者200次选择作业的记录进行了分类.结果表明,在仅利用Cz与Pz两个通道的信号叠加平均后,取250～550 ms时段的信号作为分类器的特征值,能达到97%以上的分类精度.这可为简化脑-机接口系统的设计、提高通信速率提供参考.     

“模拟阅读”脑-机接口信号的核Fisher分类

采用"模拟阅读"视觉诱发事件相关脑电位的实验模式进行了脑-机接口实验,记录受试者在靶标和非靶标刺激下的脑电信号并进行了模式分类.首先对原始的脑电信号进行预处理、提取最优特征,然后利用核Fisher准则对采集到的脑电信号进行分类.为了验证这种方法的有效性,同时还对信号进行了感知准则和Fisher准则的分类.对5名受试者测试的结果表明:核Fisher准则分类器的正确率分别为92.98%,88.85%,76.32%,78.33%和95.52%,分别高出Fisher准则、感知准则约20%、10%,表明核Fisher准则对含有非线性可分的脑电信号的分类效果比单纯的线性方法更为优越.     

基于卷积神经网络的P300电位检测及在脑机接口系统中的应用

为提取更深层、更原始的脑电信号特征,提高基于P300电位的脑机接口系统的性能,提出将卷积神经网络(CNN)应用到脑机接口系统的P300电位检测.首先,根据脑电信号的时间和空间特征,构建CNN的网络结构.然后,对脑电信号进行预处理,采用卷积层和下采样层进行特征提取.最后,通过全连接层实现P300电位的检测.结果显示,卷积神经网络对P300电位具有很好的特征学习能力,取得了较好的分类结果,为进一步提高脑机接口系统的性能提供了有效手段.     

基于主成分分析和Fisher准则的脑电信号分类

脑-机接口(brain-computer interaction,BCI)利用脑电信号实现人脑与计算机或其它电子设备的通讯和控制,P300拼写范式是脑机接口中的一种常用方法。将遗传算法和支持向量机用于脑电信号的分类。选取三个实验者的实验数据作为处理对象,采用主成分分析和Fisher准则相结合提取特征。在用主成分分析降维后,Fisher准则进一步提取有效特征,提升分类准确率。本文采用用支持向量机对特征数据分类。Fisher准则在特征提取中良好的效果。     

基于3D卷积神经网络的IR-BCI脑电视频解码研究

采用3D卷积神经网络模型,对脑电信号进行解码研究,旨在挖掘其深层的特征表达,以提高脑-机接口系统的性能.实验在获取"模拟阅读"脑-机接口系统的多维脑电信号后,将原始的通道特征构建成"脑电视频"的格式.其构造方法为:将通道按实际空间排布为二维矩阵,这样某时刻的多通道采样点在空间上形成一个"视频帧",这些空间信息在连续时间帧上的堆叠,形成"脑电视频".这种自然表达信息的方法,不仅包含大脑的空间分布信息,还反映了时间信息的关联,丰富了数据所包含的事件相关信息.借鉴图像领域特征学习的"局部感受野"和"权值共享"思想,搭建了自主学习脑电信号特征的3D卷积神经网络模型,将已打标签的脑电视频数据对模型进行训练,之后对测试集进行测试.与经典的卷积神经网络和传统的最佳单通道算法相比,分类正确率有了进一步的提高.实验表明,基于脑电视频的3D卷积神经网络能够更有效地学习脑电特征,改善了模拟阅读脑-机接口系统的性能.     

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.     

基于视觉双特征的并行联合脑-机接口范式的研究

基于多特征的并行联合脑-机接口与单一特征脑-机接口相比,能利用更多信息和并行方式提高特征提取和系统执行效率。提出了一种基于稳态视觉诱发电位(SSVEP)和运动起始视觉诱发电位(MVEP)的双特征并行联合脑-机接口范式,通过设计3×3字符拼写范式,矩阵中纵列白色竖条按设定频率闪烁诱发SSVEP,横行中白色竖条随机运动诱发MVEP。实验表明,被试者关注目标字符时,两种特征脑电信号被同时诱发出来,并且对两种脑电信号进行特征识别能够检测出被试者选取的目标字符。联合范式并行的刺激编码方式有效节约了刺激诱发时间,为构建更为实用的联合脑-机接口提供了一种实现方法。     

基于Golay序列调制的视觉诱发电位脑机接口系统

脑机-接口是一种新型的人机交互方式,不依赖于外周神经和肌肉,而是直接将脑电信号翻译成计算机的控制命令。针对传统脑机-接口系统识别准确率低、可识别目标少等问题,提出了一种基于Golay序列调制的视觉诱发电位脑机接口系统。首先受试者必须注视着屏幕上闪烁的目标,通过脑电放大器对人脑表皮层产生的信号进行采集、放大、A/D转换等预处理操作,然后经过实时分析软件对预处理后的脑电信号进行分类识别,取出大脑特定获得下的特征;最后将其转换为计算机的控制命令,并将输出结果反馈给用户。系统选取了Golay序列对刺激目标进行调制,且运用模板匹配法对目标进行识别。实验结果表明,该方法能有效的识别刺激目标,且获得了93.75%的识别准确率。     

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。     

用FastICA和Fisher准则提取脑电信号特征

脑-机接口(BCI)利用脑电信号实现人脑与计算机或其它电子设备的通讯和控制,P300拼写范式是一种常用的脑-机通信方法.它介绍了一种基于P300视觉诱发电位的脑电信号特征提取方法,选取三名实验者的数据用于实验分析.采用独立分量分析的固定点算法(FastICA)和Fisher准则进行特征提取,用支持向量机对提取的特征数据分类,并与主分量分析和Fisher准则相结合的特征提取方法作了比较,FastICA有很好的特征提取能力.     

骨传导听觉脑机接口技术研究

听觉脑机接口技术为视觉通路存在障碍的闭锁综合征患者提供了与外界交流的新通道.为了使空气传导通路受损的病患也能应用此项技术,本文将声音骨传导方式引入到听觉脑机接口实验研究中.本研究设计了左右耳分别呈现不同声音序列的双耳分听实验范式,对骨传导及空气传导方式所诱发脑电信号进行了特征提取和分类比较.实验结果表明两种传导方式下靶刺激均可稳定的诱发出N200与P300电位,骨传导方式下,N200的幅值较空气传导方式更显著.两种方式都获得较高的分类正确率,均可用于听觉脑机接口系统,且骨传导方式优于空气传导方式.     

单次运动想象脑电的特征提取和分类

为了实现脑-计算机接口(BCI)系统,对运动想象脑电信号的特征进行了提取和分类.将大脑C3,C4处采集的二路运动想象脑电信号分成4段,分别建立六阶AR参数模型进行功率谱估计,再对每段数据的功率谱求和构造特征矢量,提供给误差反向传播算法进行左右手运动想象脑电模式分类.结果表明,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(ERD)和事件相关同步(ERS)的变化时程.另外,该方法识别率高,复杂性低,适合在线脑-计算机接口的应用.