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.     

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。     

基于时空特征学习Transformer的运动想象脑电解码方法

脑电图（Electroencephalography,EEG）可记录来自大脑皮层的电信息，反映了脑活动中神经细胞放电产生的电场变化情况. EEG的空间信息和时间信息对于运动想象脑电（Motor Imagery Electroencephalogram,MI-EEG）解码分类模型学习判别特征至关重要，但过度依赖预处理和手工特征提取，导致对EEG数据进行信号分类较为困难.尽管深度学习已经在很多领域实现了自动特征提取，但脑电图的深度学习尚未完成.提出基于FBCSP (Filter Bank Common Spatial Patterns)和Transformer模型的时空特征学习的运动想象脑电解码方法 .针对FBCSP滤波的脑电信号，依次通过空间维度和时间维度上的注意力转换来获取空间和时间特征，然后通过Softmax函数对不同类别的EEG数据进行分类.实验结果表明，在BCI竞赛数据集IV-2a上，该方法的分类准确率可达84.16%，为MI脑电信号分类提供了新思路.     

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．     

基于邻域空间模式的运动相关电位特征提取新方法

模式分类是基于脑电图（EEG）的脑-机接口(BCI)研究的重要环节之一.针对不同的BCI任务,所采用的分类特征和分类算法也不同.其中,运动相关电位（MRPs）现象是BCI想象肢体运动分类算法中的所用到的重要分类特征.针对BCI研究中的采集EEG数据分布复杂,和训练样本不足重要问题,本文提出一种新的MRPs特征提取方法—邻域空间模式 (NSP),利用邻域关系和类别信息,有效提取了分类性能更强的MRPs特征.最后的实验结果证明了NSP算法能更有效提取分类特征.     

基于最优化少量电极的思维任务脑机接口

为减少脑机接口的电极数量,采用基于最优化少量电极的共空间模式(CSP)算法提取不同思维任务下的脑电信号(EEG)特征值.首先,根据事件相关(去)同步化现象观察时频特性;然后,运用熵准则对单个电极进行可分性度量;最后,根据可分性排序,利用基于最优化少量电极的CSP算法和支持向量机算法对不同电极组合的特征值进行提取和分类,得出最优化的电极组合.结果表明,进行心算和想像空间旋转2种思维任务时被试的EEG信号在顶叶和枕叶区域存在明显的能量差异,6个被试可分性最高的电极均位于这2个区域;与传统的EEG信号处理算法相比,基于最优化少量电极的算法可以使系统使用的电极数减少至3.3个,并且分类正确率提高5.4%.因此,采用基于最优化少量电极的算法可以减少电极数目,改善思维任务脑机接口的性能.     

基于AR和SVM的运动想象脑电信号识别

针对不同思维运动中EEG信号识别,提出了一种基于自回归模型参数和支持向量机的识别方法.针对2008年BCI Competition Ⅳ Data sets 2a数据集中想象左右手运动的两类思维运动脑电信号,运用自回归模型进行特征提取,支持向量机进行特征分类.采用不同的核函数进行分类对比实验,该识别方法的正确识别率达到7...     

基于相关指数分析增强的功能近红外光谱脑机接口

 由于对运动伪迹不敏感、适合特殊人群和可穿戴式检测等优势,功能近红外光谱技术（fNIRS）在脑机接口（BCI）、心理认知等领域发挥着日益重要的作用。肢体运动想象是BCI在残疾人康复训练等领域应用的重要范式,伴随穿戴式fNIRS的发展,有望帮助残疾人在家庭或社区开展长期脑康复训练。本文针对目前基于fNIRS的运动想象任务分类准确率普遍不高这一现状,应用基于Pearson积差相关系数的相关指数R²,对被试进行个性化参数优化,期望改善运动想象的分类结果。实验采集了17名被试的左、右手运动想象任务期间大脑皮层主运动区的血红蛋白浓度变化数据,并采用支持向量机（SVM）分类。结果表明,经过R²参数优化之后,分类准确率相对无优化情况显著提升,分类准确率在60%以上的被试比例由原本的58.8%提高到了94%,分类准确率在65%以上的被试比例由原本的41.2%提升到了64.7%。     

基于AR模型和SVM的脑电信号分类

 基于P300事件相关电位的脑机接口（BCI）系统中,有效的P300特征提取及分类是系统开展后续工作的关键。应用时间序列自回归（AR）模型及支持向量机（SVM）算法对脑电信号进行P300分类;对10导联脑电数据分别分段,并对每段建立AR模型;采用最小二乘法进行AR模型系数估计,由估计出的系数序列构成特征向量,送入SVM进行模式分类。实验针对BCI Competition Ⅲ dataset Ⅱ数据集进行了方法验证,提出的方法在15试次情况下识别正确率达93.5%。实验及数据分析结果表明,应用SVM分类器对AR模型提取出的系数序列特征向量进行分类,具有较好的系统识别正确率,可为实现基于P300的BCI系统实际应用奠定理论和实验基础。     

基于脑电波信号的人体疲劳程度测试模型分析

针对人体疲劳程度检测问题,采集被测试者的脑电图(EEG)信号,利用阈值小波变换对EEG信号进行消噪处理,提取脑电波中的特征值,分析疲劳程度与特征值的相关性,建立脑电波信号与疲劳程度的数学模型,并用十折交叉验证法来验证该模型的准确率.结果表明:该模型检测人体疲劳程度的准确率可以达到96%以上.     

基于特征选择和数据分类的乳腺癌数据的评估分析

提出以乳腺癌数据进行挖掘数据的有效分类方法.针对兰州市某医院乳腺癌数据,通过数据挖掘技术中3种不同的特征提取方法,对乳腺癌数据集的属性进行选择,特征选择后减少的属性代替原来较多的属性,再对其用贝叶斯网络、属性选择分类器、J48、逻辑回归模型、One-R 5种方法进行分类.结果表明,得到的子集再经过分类时所花费时间明显减少,利用贝叶斯网络算法进行分类的准确率和各项性能指标高于其他算法,用逻辑回归模型算法进行特征选择后准确率明显提高.     

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。     

基于邻域空间模式的运动相关电位特征提取方法

为解决脑-机接口(BCI)研究中所采集的脑电图(EEG)信号数据分布复杂和训练样本不足的问题,文中提出了一种新的特征提取方法--邻域空间模式(NSP)算法,用于提取BCI想象肢体运动分类算法中使用的重要分类特征--运动相关电位(MRPs).NSP算法不需要对样本的数据分布进行假设,主要利用样本的邻域关系和类别信息寻找最佳投影方向,使得映射后邻域内异类样本距离之和与同类样本距离之和的比值最大化.采用BCI竞赛2003和2001的其中两组数据进行实验,结果表明NSP算法能更有效地提取MRPs特征.     

适用于样本分布差异的迁移学习调制识别算法

针对大量有标签样本的数据驱动模型方法存在数据分布不完备问题,结合实际环境中通信信号样本差异大的特点,提出一种对抗域适应迁移算法.通过类判别器和域判别器对抗训练,使特征提取器能够提取到既具有类差异性又具有域不变性的特征.以无监督学习方式对目标域信号进行分类,以提升调制识别算法在实际环境中拟合存在分布差异数据集的自适应能力.对实际信号样本集中调制方式相近的9类调制信号在不同信噪比条件下进行测试,域适应迁移方法通过对抗训练有标签高信噪比的源域样本和无标签低信噪比的目标域样本,结果发现该算法的平均识别准确率较以往直接训练的平均识别准确率大幅提升.     

快速多变量自回归模型的意识任务的特征提取与分类

给出了一种有效的多变量自回归(Multivariate Autoregressive，MVAR)模型参数和阶数估计的快速算法，通过QR分解技术减少了多维矩阵求逆的运算量，提高了模型估计的速度．利用该算法对4个实验对象的3种不同意识任务的脑电(EEG)信号进行特征提取，并将得到的特征向量作为径向基函数神经网络的输入进行训练和分类测试．分类结果表明，利用该方法进行EEG信号的特征提取，分类的正确率明显高于单变量自回归模型，而且算法运算速度快，可以用于不同意识任务EEG信号的在线特征提取与分类系统．     

OFDM系统中基于子空间加权的时延估计算法

针对低信噪比条件下正交频分复用（orthogonal frequency division multiplexing，OFDM）系统利用MUSIC算法（multiple signal classification）进行时延估计时，特征值分解得到的信号子空间和噪声子空间不能完全正交导致算法性能下降的问题，提出一种基于子空间加权的时延估计算法——WMUSIC算法（weighted multiple signal classification）。算法对信道频域响应估计的协方差矩阵进行特征分解，利用噪声特征值的幂级数对噪声子空间进行加权处理，同时采用信号特征值的倒数对信号子空间进行加权处理，以修正MUSIC算法的伪谱，通过谱峰搜索得到时延估计值。仿真结果表明，与MUSIC算法相比，WMUSIC算法具有更高的时延估计精度，在信噪比为－8 dB时，估计精度在两径条件下提升71.46%，三径条件下提升19.48%。WMUSIC算法有效解决了低信噪比条件下MUSIC 算法伪谱谱峰存在混叠导致谱峰搜索误差较大的问题，可以完成较为准确的时延估计任务，提高了低信噪比条件下OFDM系统的时延估计性能。     

双重加权朴素贝叶斯算法预测乳腺癌复发率

针对朴素贝叶斯算法在处理不平衡数据时准确率不高的问题,提出类权重和属性值权重相结合的双重加权朴素贝叶斯算法.双重加权可降低算法的属性独立假设对分类结果的影响,提升少数类对分类过程的作用.乳腺癌患者复发率预测结果表明,双重加权朴素贝叶斯算法相对于传统的朴素贝叶斯算法、属性值加权的朴素贝叶斯、K最近邻分类算法、支持向量机分类算法、随机森林算法,准确率上分别从0.72,0.79,0.77,0.80,0.81提升至0.84,精确率和召回率均有不同程度的提升.     

基于相似度的神经网络多源迁移学习算法

为了解决迁移学习中的"负迁移"问题,提出了基于相似度的神经网络多源迁移学习算法。该算法是以经典的BP神经网络模型为基分类器,利用梯度下降法对各个源领域与目标域之间的相似度进行学习和优化,把各个源领域的网络权重参数信息按照与目标域之间的相似程度迁移到目标域中,提高机器学习算法在目标域的分类性能。在UCI数据的Letter-recognition数据集以及20Newsgroups文本数据集上进行实验。实验结果表明了MTL-SNN算法比传统的多源迁移学习算法以及BP神经网络算法在分类准确率上有所提升,因此MTL-SNN算法有效地解决了"负迁移"问题。     

基于平衡概率分布和实例的迁移学习算法

在联合匹配边缘概率和条件概率分布以减小源域与目标域的差异性时,存在由类不平衡导致模型泛化性能差的问题,从而提出了基于平衡概率分布和实例的迁移学习算法。通过基于核的主成分分析方法将特征数据映射到低维子空间,在子空间中对源域与目标域的边缘分布和条件分布进行联合适配,利用平衡因子动态调节每个分布的重要性,采用加权条件概率分布自适应地改变每个类的权重,同时融合实例更新策略,进一步提升模型的泛化性能。在字符和对象识别数据集上进行了多组对比实验,表明该算法有效地提高了图像分类的准确率。     

大数据环境下的不确定数据流在线分类算法

在大数据环境下,由于隐私保护、数据丢失等原因,数据普遍存在不确定性;数据流系统中数据不断地到达系统,只扫描一遍且不能一次性全部获得;所以要构建一个增量分类模型来处理不确定数据流分类.本文基于VFDT算法提出了WBVFDTu算法,该算法在学习和分类阶段都可快速而有效地分析不确定信息.在学习期间,采用Hoeffding分解定理构造决策树模型;在分类期间,在决策树的叶子节点利用加权贝叶斯分类算法提高模型的分类准确率和算法的执行效率.最终证明该算法能够非常快速地学习不确定数据流,提高分类的准确率.