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CSP与SVM算法的运动想象脑电信号分类

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,使用共空间模式(common spatial pattern,CSP)算法对BCI 2003竞赛数据进行特征提取;基于滑动时间窗,利用CSP方法对C3,Cz和C4位置的脑电信号进行处理.利用支持向量机对特征进行分类,获得最大分类正确率82.86%,最佳时间点4.09 s,最大互信息0.47 bit,最大互信息陡度0.431 bit/s.与BCI 2003竞赛结果相比,最大互信息陡度有了显著提高,证明该方法更适合BCI实时系统的要求.     

基于想象运动的ECoG频域模式滤波

皮层脑电图脑-机接口（electrocorticogram based brain-computer interface, ECoG-BCI）研究的关键是提取良好的特征获得理想的分类精度。在BCI实验中受试者作不同的想象运动时，特定频带ECoG的幅模具有均值和振荡程度的差异。针对ECoG多条频带的幅模－时间序列所构成的样本矩阵，本文提出新的频域模式滤波方法，通过联合对角化提取判别能力最强的特征向量，对样本矩阵进行滤波，提取滤波后幅模－时间序列的均值和标准差作为特征，最后用核Fisher判别式分类，在BCI2005实验I中仅用单个电极的ECoG获得了92%的分类精度。     

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SVM的四类运动想象脑电信号分类方法研究

针对传统支持向量机分类方法在脑电信号处理中存在分类正确率低的问题,将聚类思想与二叉树支持向量机结合构造多类SVM分类器。实验以“BCI Competition 2005”中的Dataset IIIa为例,先对C3/C4导采集的四类运动想象脑电信号应用小波变换进行去噪;再在分析小波包频带划分特点的基础上,利用小波包进行分解与重构,获取相应的能量特征;最后应用改进后的支持向量机(SVM)分类方法对特征信号进行分类。结果表明该方法分类正确率较高,可以达到91.12%,并且有效的减少了分类器的个数,最终达到较好的识别效果。     

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。     

基于复杂网络技术的异步脑-机接口分类系统

脑-机接口(brain-computer interface,BCI)是一种不依赖周围神经和肌肉组织,通过诱发人脑无节律信号(event-related de-synchronization,ERD)/有节律信号(event-related synchronization,ERS)等特征信号实现对外部装置自主控制的系统。针对人群中15%～30%的人存在"BCI盲"问题,即难以诱发出较强的ERD/ERS等特征信号,提出将脑电图(electroencephalogram,EEG)时间序列转换成一个复杂网络,复杂网络的网络测度与大脑意识有关联。结果表明,基于复杂网络构建的相位锁相值(phase locking value, PLV)二值网络可实现异步BCI系统分类,分类正确率最高可达88.60%。可见,基于复杂网络技术的异步BCI系统具有可行性,可作为一种新途径。     

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.     

基于小波方差的运动想象脑电信号特征提取

针对区分两种不同运动想象(想象左手运动和想象右手运动)的脑-机接口任务,提出了以小波方差作为分类特征的方法.首先深入研究了小波变换以及小波方差的计算方法,结合验证脑电图(EEG)存在的ERD/ERS现象,然后利用小波分解系数方差对C3,C4导联脑电信号进行特征提取,最后采用最简线性分类器进行分类,采用分类正确率作为主要评价标准.结果表明,最大分类正确率为85%,最佳分类时间段为4~6.5 s.与BCI竞赛和其他方法相比,在保证分类正确率的前提下,所使用的特征提取和分类方法更加简单,具有较高的参考价值.     

EEG-based asynchronous BCI control of a car in 3D virtual reality environments

Brain computer interface (BCI) aims at creating new communication channels without depending on brain’s normal output channels of peripheral nerves and muscles. However, natural and sophisticated interactions manner between brain and computer still remain challenging. In this paper, we investigate how the duration of event-related desynchronization/synchronization (ERD/ERS) caused by motor imagery (MI) can be modulated and used as an additional control parameter beyond simple binary decisions. Furthermore, using the non-time-locked properties of sustained (de)synchronization, we have developed an asynchronous BCI system for driving a car in 3D virtual reality environment (VRE) based on cumulative incremental control strategy. The extensive real time experiments confirmed that our new approach is able to drive smoothly a virtual car within challenging VRE only by the MI tasks without involving any muscular activities. Supported by the National High-Tech Research Program of China (Grant No. 2006AA01Z125) and the National Basic Research Program of China (Grant No. 2005CB724301)