基于fNIRS技术的脑机接口研究

功能性近红外光谱技术(functional near-infrared spectroscopy,fNIRS)作为一种无损光学脑成像技术,可用于构建脑机接口(brain-computer interface,BCI)以识别操作者肢体控制意图.利用fNIRS技术测量11位参试者的手臂伸展、腿部伸展和手指敲击的前额皮层(prefrontal cortex,PFC)和运动功能皮层(motor cortex,MC)的血氧变化信号,并利用fNIRS的生理特征和支持向量机建立fNIRS-BCI分类器.结果表明手臂伸展、手指敲击和腿部伸展的四分类fNIRS-BCI平均正确率分别为89.32%,、88.66%,和91.35%,;fNIRS-BCI的运动想象动作的分类正确率不低于运动执行动作;3种任务范式的混淆矩阵分析结果表明:运动想象诱发的脑功能活动与同侧肢体的运动执行、对侧肢体的运动想象活动产生混淆,3种任务范式的同侧运动想象和运动执行的血氧数据检验结果存在显著差异.因此,fNIRS-BCI能有效识别运动想象和运动执行活动,且运动想象和运动执行活动的血氧数据变化具有可分性.     

基于脑电信号的手指动作识别

分类识别技术在脑-机接口的研究中占有重要地位,本文基于在事件相关脑电图中,存在的运动感觉皮层脑电位下降和事件相关非同步现象,运用了一种基于共空域子空间分解的算法,对左右手指动作时的多通道脑电信号进行了特征提取。最后,根据提取的特征进行了手指动作的识别,在对三个人的脑电数据识别中,平均识别率达到了75.6%。     

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.     

采用频带能量进行ECoG信号的特征提取

对于典型的采用皮层脑电图的脑-机接口系统,测试者想象左手小手指或舌头运动,提出了采用频带能量的特征提取方法.首先,把频带能量作为特征,进行导联的选择,从64导联中获取特征最明显的11导进行分析;然后采用频带能量进行皮层脑电图信号的特征提取,并利用主分量分析进行降维;最后采用Fisher线性判别分析进行两类意识任务的分类.离线分析结果表明,该方法对测试数据取得了很好的分类准确率.     

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.      

一种新型结合下肢动觉运动想象和视觉运动想象的脑机接口

基于运动想象（Motor Imagery,MI）的脑-机接口（Brain-Computer Interface,BCI）是一类重要的BCI,传统的MI方式是动觉运动想象（Kinesthetic Motor Imagery,KMI）,较少采用视觉运动想象（Visual Motor Imagery,VMI）.提出一种KMI与VMI混合的BCI并评估其性能.共招募12名被试参加离线与在线实验EEG(Electroencephalogram)数据采集,离线实验先以KMI方式分别进行屈膝和伸膝,然后分别以KMI,VMI和VKMI三种方式行走,由离线分类精度与三种不同方式想象行走的脑激活程度确定在线实验方案.提取EEG幅值包络线特征,并采用朴素贝叶斯分类器、二次线性判别和决策树进行在线分类,验证系统性能.溯源分析表明,使用新的想象方式进行行走想象时,运动皮层的激活时长高于VMI,体感皮层的激活时长高于KMI,混合的想象方式可能更有利于促进这些脑区的可塑性. 12名被试在线测试三分类的平均准确度达到63.29%±0.09%,平均卡帕系数为0.45±0.13.该研究可望为未来研发下肢运动功能障碍康复训...     

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。     

基于脑电特征的多模式想象动作识别

对不同部位肢体想象动作诱发的脑电特征进行辨识,并提取出对应的思维信息,这是实现脑-机交互的经典方法之一,传统的左、右手双想象动作诱发模式下信息转化效率较低,引入多个肢体部位想象动作的多模式转化方法可望改善这一缺点.采用二维时频分析结合Fisher分析的方法,从典型受试者的多模式想象动作脑电信号中提取出有利于分类识别的事件相关去同步化和同步化特征信息,再使用支持向量机建立双层分类器对多模式想象动作进行分类识别.本方法对于4种不同肢体部位的识别可以达到较高的正确率(85.71%).结果表明,多模式想象动作的诱发脑电特征信息具有明显的空间特异性,可以用于脑-机交互思维任务的识别和提取,值得进一步研究.     

基于运动相关脑电特征的手运动方向识别

为了研究如何从无创运动相关脑电中提取运动信息作为上肢主动康复训练的控制命令,通过设计实验,使右手完成左、上、右3个方向的运动,同时采集脑电数据和右手运动信息.通过小波时频分析确认与右手运动相关的脑电频带,并提取其小波分解系数作为特征,采用支持向量机进行特征分类,根据方向识别准确率分析提取特征的有效性.结果表明,运动脑电delta和theta频段的小波系数特征可以有效区分右手不同方向的运动,方向识别准确率的均值接近65%,并且用准备阶段特征分类的结果普遍优于运动阶段特征,因此,在手运动之前诱发的脑电活动含有丰富的运动信息,可用于脑-机接口系统提取上肢主动康复训练的控制命令.     

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%。     

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.     

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.     

基于运动想象的皮层脑电图频域模式滤波

为了提高皮层脑电图(ECoG)脑-机接口(BCI)的分类精度,提出了基于运动想象的ECoG频域模式滤波法.该方法通过联合对角化寻找最具判别力的投影方向作为频域滤波器,抽取滤波后ECoG的均值和标准差作为特征,然后采用核Fisher判别式进行分类.BCI2005数据集I的实验结果表明:采用该方法仅用单个电极即可获得92%的测试精度.     

基于最小二乘支持向量机的脑电信号分类

研究了基于运动想象脑电信号对大脑的想象运动状态进行分类识别的问题.根据事件相关同步和事件相关去同步现象识别出被试的想象运动状态,通过频带能量特征提取方法获得了想象左右手运动时的脑电信号特征,使用最小二乘支持向量机对提取到的频带能量特征进行分类.结果表明,使用最小二乘支持向量机可以对运动想象脑电信号的频带能量特征进行有效分类,分类正确率达到92%,其分类效果与使用标准支持向量机相当,但在计算速度上更有优势.     

基于EEG握力变化及想象单次识别研究

目前基于运动想象(Motor Imagery,MI)的脑-机接口(Brain-Computer Interface,BCI)可提供的指令数相对较少,为增加新的控制参数,基于脑电(Electroencephalogram,EEG)研究握力变化及想象的单次识别.招募20名被试者参与实验,要求被试者用右手执行三种不同握力大小(4 kg,10 kg,16 kg)的实际或想象任务,对任务期间覆盖运动区的九个通道的EEG数据进行分析,采用共同空间模式(Common Spatial Pattern,CSP)提取特征,然后利用极限学习机(Extreme Learning Machine,ELM)和支持向量机(Support Vector Machine,SVM)进行单次识别. ELM对三类握力变化及想象的平均单次识别准确率分别为82. 3%±2. 1%和80%±1%,SVM对三类握力变化及其想象的平均单次识别准确率分别为86. 3%±5. 5%和83. 7%±3. 8%.实验结果表明,ELM和SVM能有效地识别三种不同握力大小的实际或想象任务,而SVM的分类结果更好,可望为MI-BCI增加新的控制参数提供新思路.     

基于概率协作表示的运动想象脑电分类算法

在脑机接口的研究中，针对运动想象脑电信号的特征识别，提出了一种基于概率协作表示的分类方法（probabilistic collaborative representation based classification, ProCRC），通过比较测试样本在每个类别中的最大可能性，从而确定其所属的类别。采用BCI竞赛数据库Ⅲ中的数据集Ⅰ，利用S变换进行特征提取，然后对不同的分类器进行比较，以分类准确率作为评价标准验证了该算法的有效性。该算法的分类准确率能够达到90%,为脑机接口系统分类算法的研究提供了新思路。     

基于小波包能量的脑电信号特征提取方法

在脑机接口研究中,针对运动想象脑电信号的特征抽取,提出了一种基于小波包变换和AR模型的特征提取方法.该方法首先利用小波包变换对大脑C3和C4处采集的2路运动想象脑电信号进行3层分解,抽取小波系数的能量特征;然后,利用Burg算法提取脑电信号的5阶AR模型系数;最后,将这2类特征组合,使用基于马氏距离的线性判别分类器对左右手运动想象脑电模式进行分类,正确率达到91.43%.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和事件相关同步的变化时程,为BCI研究中脑电信号的模式识别提供了新的思路.此外,该方法的识别率高,复杂性低,适合应用于在线脑机接口中.     

基于fMRI脑机接口的数据分类方法的研究

为了解决脑机接口中功能磁共振成像(functional magnetic resonance imaging,fMRI)信号的数据分类问题,提出了使用后顶叶皮层进行特征选择的支持向量机分类方法。首先通过核磁设备采集数据,对数据预处理后,将后顶叶皮层的体素选择为特征,然后把血氧水平依赖(blood oxygen level dependent,BOLD)值的峰值和累积变化作为特征提取,最后使用支持向量机进行数据的分类。实验表明,选择后顶叶皮层作为特征是可行的;使用BOLD峰值的分类精度要高于使用BOLD累积变化的分类精度。     

基于信息积累技术的大脑运动意识任务分类

提出了将信息积累技术结合Fisher判别式分析的方法,实现大脑想象左右手运动意识任务的连续分类,获得了满意的结果.利用Morlet小波滤波方法提取优化的运动相关脑电特征,对两组实验数据4个受试者的运动相关脑电模式进行分类,平均最大分类正确率达到87.95%.通过最大分类正确率、最大互信息等评价指标的比较,验证了信息积累技术对改善大脑运动意识任务分类性能的有效性,从而为脑机接口系统应用中大脑运动意识任务分类提供了新的思路.     

基于注意力机制和深度学习的运动想象脑电信号分类方法

脑机接口(Brain Computer Interface,BCI)作为一种新型的信息沟通与控制手段,是一个涉及神经科学、信号处理以及模式识别等多个学科的交叉研究课题.基于运动想象的BCI系统被认为是最具发展前景的一种脑机接口系统.针对基于机器学习方法构建脑电特征与运动想象之间的映射关系进行分类时,现有方法仍存在无法兼...