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.     

基于卡尔曼滤波的ECoG信号去噪方法研究

脑电信号反映了生物体的大脑活动,在采集和处理过程中极易受到各种噪声的干扰,如眨眼、快速眼动、心电、肌电等,这些噪声给脑电信号的分析处理带来了很大的困难。本文提出了卡尔曼滤波模型和模型参数估计的方法,将其应用于脑电ECoG信号去噪预处理。实验所用的数据是公开的脑机接口竞赛实验数据(BCI Competition Ⅲ dataset Ⅰ),分类正确率为92%。实验结果表明通过本方法去噪预处理后,分类正确率比竞赛第一名高,并且优于小波去噪与谱减法等预处理方法。     

基于小波包分解和近似熵的脑电信号分类

为提高脑电信号分类准确率,提出基于小波包分解和近似熵相结合的特征提取方法。该方法利用小波包对信号的低频和高频进行分解,用近似熵对得到的叶子结点进行计算得到特征值,然后将其输入支持向量机进行分类。实验结果表明,该方法在两种思维结合识别中正确率最高达到了97.37%,取得了较好的分类效果。     

基于运动想象的双脑脑机接口系统设计与鼠标控制应用

脑机接口是在大脑与外部设备之间建立的直接交流通道,是脑科学的重要研究领域。目前,单被试脑机接口研究已经较为成熟,关于双脑协作的脑机接口研究还比较少。本文设计实现了一种基于运动想象的双脑协作在线脑机接口系统,利用两套脑电放大器、协同控制技术实现了系统的硬件平台搭建。算法控制部分采用信息论特征提取算法,选取共空间模式的最优空域模式和支持向量机分类,实现了双脑协作控制鼠标移动并到达指定目标。本文采用初始位置到目标位置的实际步长与理论最短步长比评价系统性能,4组(8人)的平均步长比值为1.32。研究提供了一种双脑协作脑机接口的设计方案,可用于协同控制多维度目标、提高信息传输速率、研究脑间同步、团队决策等方面的关键技术,为脑机接口进一步发展提供了新思路。     

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%。     

基于特征筛选的经验模式分解脑电信号分类方法

脑-机接口已成为一种独立于正常周围神经和肌肉的从大脑到输出设备的新型通信方式.而脑电信号处理是其中的关键技术之一.利用小波变换和经验模式分解对脑电信号进行分解重构出8个内涵模态分量(IMF),然后再对分解后的IMF计算排列熵,运用比较特征值的显著性差异(Pearson系数)筛选出特征冗余小的IMF熵值,并利用遗传算法优化支持向量机进行分类,准确率达到97.64％.     

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.     

基于视觉和操作类脑电信号的脑力负荷分类

针对视觉和操作类任务,提出了一种基于脑电独立分量特征的脑力负荷分类方法.利用独立分量分析法从混合脑电信号中分解获得脑电信号的独立分量,再提取脑电独立分量的4个不同频段的能量特征,并对能量特征进行分类.基于脑电信号特征和脑电独立分量特征分别进行了脑力负荷分类实验,得到平均分类准确率分别为60.52%,86.14%,后者比前者提高了42.33%.     

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。     

基于奇异值分解的脑电信号去噪方法

指出了对脑电观测数据进行去噪从而提取出诱发脑电信号是临床和实验中的前沿技术之一。目前常用的平均方法需要比较多的实验次数，为缩短实验次数需要采用一些新的技术和方法．对奇异值分解方法在脑电信号去噪中的应用进行了研究．提出了3种具体的去噪算法，并给出了应用这3种算法对具体的脑电测量数据进行噪声去除的实验结果．分析实验结果表明：奇异值分解方法对脑电信号进行去噪有助于减少提取诱发信号所需的实验次数．     

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WT-BTC特征和SVM组合分类的场景文本检测算法

针对自然场景文本检测在复杂背景下虚警高的问题,提出利用小波变换(wavelet transform,WT)和方块编码算法(block truncation coding,BTC)相结合的方式(WT-BTC)表征文本纹理,并结合支持向量机(support vector machine,SVM)完成对候选文本区域的分类确认。算法首先利用边缘检测和启发式规则快速确定候选文本区域;然后对候选文本区域进行小波分解和BTC编码,提取水平、垂直、对角方向的WT-BTC纹理特征;使用三个SVM分类器分别对不同方向纹理特征学习训练,组合SVM模型实现候选文本区域的二次检测,确认文本区域。实验结果表明算法提高了文本区域检测鲁棒性,在复杂背景条件下对场景文本有较好的检测效果。     

基于数据分割和近邻对的快速SVM分类算法

大样本的学习是支持向量机领域中的一个重要课题。基于数据分割和邻近对策略,提出了一种新的支持向量机分类算法。在新的算法中,首先利用c均-值聚类分别对数据集中的正负类进行聚类,把大数据集分割成互不相交的子集合;然后来自正负类的子集合两两组合形成多个二分类问题,并用SMO算法求解;最后用邻近对策略对未知数据进行识别。为了验证新算法的有效性,把它应用于5个UCI数据集,并和SMO算法做了比较。结果表明:新算法不仅大大地减少了大样本学习的训练时间,而且相应的测试精度几乎没有降低。