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.     

基于多导联脑电时空信息的情感分类研究

为探究脑电空间关联信息与不同情感状态之间对应关系,基于SEED(SJTU Emotion EEG Dataset)情感脑电数据集,计算实验采集的不同导联脑电的皮尔逊相关系数,通过小波变换获取脑电导联之间的小波相干系数,利用Hilbert变换提取各个导联脑电的瞬时相位,计算脑电相位同步指数。然后分别将皮尔逊相关系数、小波相干系数、相位同步指数作为特征,采用支持向量机分类器实现正性、负性、中性三种情感状态的有效分类。仿真结果表明,脑电的空间关联特征用于情感识别是有效的,可以达到91.5%的情感识别精度;利用脑电微分熵的皮尔逊相关系数获得了93.7%的平均分类准确率;并且脑电γ节律相比α、β节律更有利于情感识别。该研究可以应用于情感脑机接口系统。     

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.     

基于遍历基因组合的特征基因选取方法

特征基因的选取是非常热门的问题,在癌症是由某个或者某几个基因共同相互作用引起变异的假设下,从最简单的2个基因组合进行研究,遍历所有可能的基因组合,运用Logistic回归分类器,以预测精度和AIC准则为评价标准,对所有的模拟结果进行评价,得到最优基因组合（X55187,D14812）。同时运用交叉留一检验,验证了此基因组合建立模型的稳定性。最后又对预测精度大于90%的640对基因组合进行频数分析,并与已有文献进行比较,得到出现频率高的基因组合,预测精度并不一定高的结论。     

基于实例和CSP的产品配置方法

采用基于实例和约束满足问题(constraint satisfaction problem,CSP)的方法进行大规模定制下的产品配置,将产品配置问题表示为CSP,并对产品族内的实例进行形式化描述,利用基于实例的方法检索出与客户需求匹配的产品实例,使系统将当前的新配置问题直接定位到某一历史案例,为CSP中变量提供初始解信息,避免了CSP系统不管任何问题都从头到尾进行推理的弊病,减少了不必要的搜索空间和时间。然后利用最小冲突修改算法求解CSP,产品实例的调整过程就以求解CSP的形式独立完成,使不清楚的产品实例调整过程形式化,可以确保产品实例调整过程的一致性同时减轻客户配置产品的负担。     

基于TWQT和熵特征的癫痫脑电快速检测

该文提出一种基于可调Q因子小波变换的熵特征提取方法用于癫痫脑电的快速检测。首先,利用TWQT算法对脑电信号进行分解,计算分解后得到的小波子带的中心频率;随后,选择对应癫痫发作时异常波段频率范围的子带进行小波重构,并对重构信号提取排序熵和规则性指数等熵特征;最后,选择包括支持向量机、随机森林、极端梯度提升在内的多种分类器进行分类实验。实验中采用德国波恩大学癫痫研究中心的公开数据集和UPenn and Mayo Clinic′s Seizure Detection Challenge数据集进行验证,所提出的方法针对小样本数据集可以达到99.3%的准确率,100%的灵敏度以及98.6%的特异度,体现了该算法的有效性。     

基于双向长短时记忆神经网络的步态时空参数脑肌电解码方法

针对脑电(EEG)信号对连续步态轨迹解码结果与实际轨迹相关性低的问题,提出一种基于双向长短时记忆(BiLSTM)神经网络的步态参数解码方法。首先,构建基于双向长短时记忆神经网络的步态时空参数解码模型,根据脑肌电信号特性设计解码模型的超参数;其次,同步采集脑电、下肢运动相关肌肉的表面肌电信号(sEMG)和下肢关节运动信号,并对脑电和表面肌电信号的步态相关特征进行分析;然后,以多通道脑电和下肢运动相关表面肌电信号作为解码模型的输入,自动提取脑肌电融合信号中步态相关特征并构建膝踝关节运动轨迹与特征之间的非线性回归模型;最后,以多通道脑电作为解码模型的输入,构建步态相关脑电信号和表面肌电信号之间的非线性回归模型。实验结果表明：所提方法与传统支持向量机方法相比,对踝关节解码轨迹与实测轨迹形状相似性Pearson相关系数提高了0.12;与单独采用脑电、表面肌电信号和脑肌电信号平均绝对值特征融合信号进行解码方法相比,对踝关节解码轨迹与实测轨迹形状相似性Pearson相关系数分别提高了0.81、0.19和0.63。该方法可实现从脑电信号中对部分表面肌电信号波形的解码,解码波形和实测波形的平均Pears...     

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.     

一种基于粗糙集理论的特征选取方法

特征选取的目的是为了减少分类规则中不必要的特征数.在启发式特征选取方法中,特征是用必要性来测量的.在文献中,粗糙集被用于定义特征的必要性.本文提出一种新的基于粗糙集的特征选取方法-带参数的平均支持启发式方法,该方法考虑潜在规则集的整体质量,选择具有高平均支持数规则的特征.此外,它还带有参数用于调整近似度.最后,通过实例分析说明该方法是有效的.     

一种基于本体的文本特征选取方法

传统的文本特征选取方法和赋权方法没有考虑术语之间语义关系,由此引起的特征项权重变化得不到合理反映.针对这个不足,提出一种基于本体的文本特征选取方法.通过将本体引入到特征选取中,将特征项映射到概念,对特征项的权重进行加权调整,使得选取的文本特征能够更好地反映文本内容.最后通过实验,说明该方法的有效性,能够在一定程度上提高...     

基于ICA和极限学习机的模拟阅读脑电特征分类

为了有效地提取N2-P3成分,利用ICA对脑电数据进行盲源分离,自动提取N2-P3成分;同时为了克服传统方法如支持向量机、神经网络训练时间长、个别识别准确率不够高的缺点,选择极限学习机作为分类器.在模拟阅读实验范式下,记录了7名受试者的脑电数据,利用ICA分别对每名受试者的高维脑电数据进行盲源分离,提取出N2-P3成分,以此作为靶特征,并与非靶特征一起放入极限学习机分类器进行分类.训练得到7名受试者的训练时间和分类准确率,并与支持向量机进行了比较.结果表明:经过ICA特征提取后,使用极限学习机进行分类,该分类器学习速度快,泛化能力强,训练时间大大减少.在分类准确率上,ICA+ELM的分类准确率较传统的最佳单通道+SVM有较大幅度的提升,从后者平均的82.4%提升到了97.7%.     

基于脑电频谱特征的脑疲劳监测分析

提出一种监测脑疲劳程度的客观可行的指标.建立脑疲劳模型,对疲劳前后的脑电信号进行功率谱分析,提取优势频率、重心频率以及各节律的相对功率3种频谱特征参数,研究特征参数与疲劳状态之间的关系,并进行统计分析.结果表明,对比疲劳前,疲劳后的脑电信号能量向低频段迁移,全脑优势频率、重心频率呈降低趋势,θ节律相对功率增加,β节律相对功率降低.因此,脑电信号的频谱特征可以反映脑疲劳的程度,有望成为监测脑疲劳程度的客观指标.     

基于数据脑本体的脑信息相关文档选取

数据脑本体有重要意义,是脑信息加工处理的基础。传统的源文档选取研究只考虑概念的因素,不能满足系统化脑信息学研究的需要。因此,本文在数据脑本体的理论基础上,首先分析了数据脑本体所需的脑信息源知识具有的概念性、属性性、关系性的特点;然后,针对这些特点采用改进的VSM(vector space model)方法和特征相结合的方法计算文档权值;最后,通过使用与脑科学知识相关的真实文档进行实验,实验结果显示相关文档的概念、属性和关系权值以及每个文档的权值与专家判定结果基本一致,拟合相关系数达0.975346。     

基于脑电的立体视频加速度的特征识别

构建一种能够自适应提取脑电特征的PMEMD-2JSD-CSP模型,明确了立体视频的两类匀加速深度运动的可分性.利用部分噪声辅助多变量经验模态分解(PNA-MEMD)对脑电(EEG)信号进行分解得到本征模态函数(IMF),应用基于詹森-香农散度(JSD)的有效因子对IMF进行两次不同范围的自适应筛选,筛选结果按照权重叠加构成重构信号.利用共空间模式(CSP)对重构信号进行空域特征提取,支持向量机(SVM)对特征进行分类,分类正确率最高为73.16%,证明了该模型对两类EEG信号特征提取的有效性.     

基于多通道脑电特征运动意识任务的分类

提出利用多通道脑电（EEG）相关性信息作为特征，实现对想象左右手运动两种意识任务的分类．分析了两种意识任务下描述多通道EEG相关性的两个参数空间复杂度和有效场强的变化，发现想象任务开始时，对侧脑区空间复杂度增高，有效场强降低，而同侧脑区的变化恰好相反，较好地反映了想象左右手运动时大脑两侧运动皮层状态的不同．将两种特征联合用于分类，得到了满意的结果，从而为脑一计算机接口系统中意识任务的特征提取与分类提供了新思路．     

基于阈值函数的诱发脑电小波特征增强

通过对脑-计算机接口中通信信号进行频谱分析,发现了靶刺激信号与非靶刺激信号的频谱在10Hz以下的低频段有较大的不同,采用Daubechies小波和Mallat算法对脑电信号进行多尺度分解,对高频分解系数简单置零、低频系数引入连续阈值函数进行滤波,使白噪信号在一定程度上得以滤除,靶刺激信号更加突出,提高了后续模式分类的正确率.     

基于脑电特征的酒后驾车事故倾向预估建模

摘要： 为建立酒后驾车的事故倾向预估模型,测量了18位驾驶员不同程度饮酒后的脑电信号和交通事故倾向指标,并分别根据左额叶区脑电的长时周期度和瞬时复杂度计算规范化脑电δ波功率增益和脑电模糊熵.引进一种混合型Sigma Pi模糊神经网络,研究网络权值训练方法,构建脑电特征参数和事故倾向指标之间的预估模型.实验结果表明：模型估计值与实际值吻合较好,具有一致增减特性,在驾驶员饮酒量小于50%主观最大饮酒量时误差很小,在饮酒量大于50%主观最大饮酒量时误差随饮酒量增大有所增加.     

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.     

基于小波变换的脑电噪声消除方法

分析了基于传统陷波器的脑电消噪方法,根据脑电噪声所处频带及陷波器原理,设计了一种陷波器.并提出了基于小波变换的脑电信号分析方法并利用它来消除脑电信号中的噪声干扰.小波变换是一种多分辨率的时间-尺度分析方法,它能够将信号划分为不同频段的子带信号.根据小波变换的这一特性,对采样获得的脑电信号进行各尺度分解及消噪分析,并给出了各尺度分解结果及消噪结果.最后对这两种方法的消噪结果进行比较.分析表明:利用小波变换能更有效、灵活地检测并去除脑电信号中的噪声干扰.