支持向量机方法在运动意识识别中的应用

为有效识别与运动想像相关的脑电模式,提出基于支持向量机(SVM)的运动意识分类新算法,利用sym2小波基函数对脑电(EEG)信号进行6尺度分解后,从每级分解中提取绝对值最大的小波系数作为信号特征,构成有效特征向量输入SVM分类器,实现基于EEG的运动想像模式识别.实验数据采用脑机接口竞赛(2003)的脑电数据,实验结果表明采用径向基核函数的SVM分类器可有效地对EEG进行运动想像分类,具有良好的泛化推广能力,为脑机接口的运动意识分类提供了新思路.     

采用Fisher线性判别分析进行MEG信号的分类

脑磁图(MEG)具有比脑电(EEG)信号更高的时空分辨率,可以作为输入信号建立脑-机接口系统.提出一种脑磁图的特征提取和分类方法,首先对MEG信号进行预处理,然后提取时域特征,最后采用Fisher线性判别分析进行分类.将该算法用于2008年脑-机接口数据竞赛的数据集Ⅲ,该数据集为一个典型的采用MEG信号的脑-机接口系统.离线分析结果表明,该算法取得了很好的分类准确率,对两个测试者(S1和S2)的分类正确率分别为5946%和4324%.与其他方法相比,该方法简单有效,运算速度快,具有较高的参考价值.     

基于精细复合多尺度熵与支持向量机的睡眠分期

提出将脑电信号与眼动信号的精细复合多尺度熵作为睡眠分期依据,利用多层次支持向量机的机器学习算法对睡眠进行自动分期.利用精细复合多尺度熵对睡眠信号进行特征提取,选用脑电以及眼电通道的信号,以保证输入特性的可靠性,并通过3层支持向量机实现了睡眠的自动分期.结果表明,分类器的输入参数可由熵值曲线的变化特征来确定.基于精细复合多尺度熵的多层次支持向量机算法的睡眠分期准确率达到85.3%,与已有的分类算法相比,所提出的算法更加均衡,且整体分类效果更佳.     

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。     

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．     

基于HHT和核函数选择的情绪特征提取与识别

脑-机接口是一种变革传统人机交互的技术,其中情绪脑-机接口是一类重要的脑-机交互,可望为情绪的调节、监测或评估提供定量方法,有潜在的重要应用价值,然而情绪相关的脑信号特征提取与识别尚未彻底解决,面临许多挑战.为了探索有效的情绪相关脑电(Electroencephalogram,EEG)特征提取和分类方法,采用国际情绪图...     

基于改进残差网络的癫痫脑电自动识别算法

为了提高癫痫脑电图(EEG)的识别精度，提出一种基于改进残差网络的癫痫脑电自动识别算法。首先对EEG信号进行归一化，然后利用改进的残差模块构建一维深度残差网络，将其用于自主学习EEG的内在特征，最后利用Softmax分类器实现癫痫的自动识别。为了评估模型的性能，采用十折交叉验证对波恩大学的癫痫数据集进行实验。实验结果表明，该算法能够有效识别癫痫EEG类别，具有较高的识别准确率。     

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.     

基于脑电信号的聋人情绪识别研究

针对聋人大学生容易出现情感表达障碍和情绪识别困难等问题,文中提出了基于脑电(electroencephalogram, EEG)信号的聋人情绪识别方法。首先对采集到的EEG信号用5阶巴特沃斯滤波器将其分割为5个频带,提取各频带的功率谱密度(power spectral density, PSD)和微分熵(differential entropy, DE)特征,利用支持向量机(support vector machine, SVM)进行分类实验。分析了聋人在不同情绪状态下的脑地形图,得出与情绪处理相关的关键脑区。最后根据关键脑区分布,提出了聋人情绪识别的关键通道选择模式并进行了分类实验。实验结果表明,与聋人情绪相关的主要频带为Beta和Gamma频带,且DE特征在聋人情绪识别中具有较大优势,在全频带62通道的平均识别准确率可达到97.57%;与聋人情绪处理相关的主要脑区为前额叶和枕叶;DE特征在10通道的识别准确率达到96.14%,可与62通道分类结果相媲美。研究结果可为开发应用于聋人情绪识别的可穿戴EEG设备提供参考。     

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。     

采用改进共空间模式算法的四类表情辅助脑电信号识别方法

针对采用传统共空间模式(CSP)算法处理脑电信号时存在的特征提取困难、计算复杂度高及信号识别率低等问题,提出了一种基于重复二分滤波器组共空间模式(RB-FBCSP)算法和支持向量机(SVM)算法的4类(左撇嘴、右撇嘴、皱眉、扬眉)表情辅助脑电信号识别方法。利用滤波器组筛选出表情辅助脑电信号中包含α波和θ波的信号;将4类表情看作上面部表情(皱眉、扬眉)和下面部表情(左撇嘴、右撇嘴)两大类进行CSP特征提取,并结合SVM分类器进行分类;将识别出的上面部和下面部表情脑电信号均重复进行一次CSP特征提取和SVM二分类,实现表情辅助脑电信号的四分类。实验结果表明：所提识别方法的计算复杂度与采用传统CSP扩展算法的脑电信号识别方法相比有明显降低,且运算耗时少、平均分类准确率高,可达89.61%;相比于传统OVO-CSP、OVR-CSP和小波包变换算法结合SVM分类,所提识别方法的平均识别率分别提高了9.23%、9.82%和8.04%。     

基于深度卷积神经网络和支持向量机的手势识别算法

为了提高手势识别的准确率,提出一种基于深度卷积神经网络和支持向量机的手势识别算法;将包含手势的图像进行手掌轮廓分割及手指关节特征提取,经过去噪后获得准确的手势图像,然后通过卷积与池化获得手势特征样本,采用神经网络算法对输入特征样本进行训练,并对全连接层各节点的输出结果进行支持向量机多元分类,从而获得手势识别结果;在差异化设置条件下,通过对比手势识别的平均准确率和识别时间,可获得最优的卷积核尺寸及池化方法。仿真实验结果表明,相比其他3种识别算法,所提出的算法具有更优的识别准确率。     

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...     

基于欧式空间-加权逻辑回归迁移学习的运动想象EEG信号解码

基于脑电图（Electroencephalography,EEG）信号的运动想象（Motor Imagery,MI）意图识别是脑机接口（BrainComputer Interface,BCI）研究中的重要问题.然而,EEG信号存在严重的个体性差异,不同被试之间的EEG信号特征空间分布差异很大,不同被试之间的分类模型不能通用.针对这一问题,提出一种基于欧式空间的加权逻辑回归迁移学习方法,算法首先将不同被试的EEG数据进行欧几里得空间对齐,使各信号更加相似,减少差异性,然后计算特定被试共空间模式（Common Spatial Pattern,CSP）获得不同的特征值,并计算这些特征值的KL(Kullback-Leibler)散度,进而利用KL散度调整迁移学习的加权逻辑回归算法,得到分类模型.实验结果表明：对于BCI竞赛IV中的数据集2a,提出的方法可以极大地提升BCI的学习性能,算法分类准确率比基线算法（线性判别分析）高出15%.在数据样本增多的情况下,被试的分类准确性也得到了明显的提升,和同类算法相比,分类准确率提升4%,说明提出的算法能进一步提高BCI的学习性能,改善分类模型的通用性问...     

基于非线性特征提取的EEG信号支持向量分类器

为提高癫痫脑电(EEG)信号的正确识别率,设计了一种基于非线性特征提取的EEG信号支持向量分类器.分类器首先将EEG信号通过四层小波包变换分解到不同频段,然后计算各频段小波系数的近似熵(ApEn)值,作为特征向量,最后使用支持向量机(SVM)进行分类.实验结果显示该分类器能有效提高正确识别率.     

基于脑电情绪识别的研究现状

情感分析作为人机交互的一项重要内容,近年来随着人工智能的大热取得了很大的发展.可以通过许多身体特征对人的情感进行计算评估,如血压、心电、肌电、皮肤等,EEG(脑电波)是大脑皮层神经元放电现象的总和,如何从脑电中识别出受试者的情感受到了各研究领域的广泛关注.文首先对人的情感进行了简要的解释,然后介绍了与EEG信号的记录、预处理、特征提取、信号的分类相关的方法、算法及研究现状.     

基于脑电图的新型情绪识别特征提取方法

基于脑电图(EEG)信号对情感识别计算进行研究.针对脑电图的特征提取难和模型计算难的问题, 提出了一种从EEG信号中获得可靠区别特征的创新方法.该方法将微分熵与线性判别分析(LDA)相结合,可被应用于情绪EEG信号的特征提取.采用3类情绪EEG数据集进行实验,结果表明该方法能够有效提高EEG分类的性能:与原始数据集的结果相比,平均准确度提高了68%,比单独使用微分熵进行特征提取时的准确度高7%.总执行时间结果证明提出的方法具有较低的时间复杂度.研究结果在3类情感脑电图识别领域具有重要的实用价值,可被应用于实际的工程领域.     

基于多层时变功能脑网络特征的运动想象识别

针对运动想象脑电信号(EEG)识别中信号随时间的结构动态变化与网络分离整合过程被忽视等问题,提出一种基于多层时变功能脑网络的运动想象特征提取方法．本方法截取运动想象有效片段投入EEGLAB进行信号预处理;依据滑动窗口方法,设定合适长度与步长,将信号分成连续且部分重叠的时间窗口,将时间窗口截获的脑电数据生成多个脑网络,以节点间锁相值构建多层时变网络模型．首先通过多层时变网络不同层的网络拓扑分析与层间相似度量指标自适应确定其中核心网络层,提取其节点度和聚类系数用以描述网络空间功能连接;然后结合多层参与系数和多层聚类系数,描述脑电信号网络动态变化与分离整合特征,并组合两者成为多层时变脑功能网络特征向量,完成运动想象识别任务．用支持向量机识别的结果表明：基于所构建的网络特征向量分类准确率高达89.14%,高出对比所用的单层网络特征6.61%.