实时脑电信号眼电伪差去除方法的研究

基于信号的小波包分解方法 ,提出了一种实时性好、滤波效果佳的脑电信号眼电伪差去除的新方法 .该算法在采用小波包分析将脑电信号在频域做精细划分的基础上 ,用统计学的理论选取阈值 ,对信号的特定成分进行选择性滤波 ,并选用与眼电 (EOG)伪差相关度最大的FP1作为参考信号 ,来避免算法本身引入的新伪差 ,以达到快速有效去除眼电伪差的效果 .试验结果表明 ,相对于其他几种常用的算法 ,本算法不仅具有更好的去伪效果 ,而且运算速度也比独立分量分析 (ICA)算法快 2～ 3倍 ,具有良好的临床应用前景     

脑电信号中肌电伪差的实时去除方法研究

为了在线去除脑电信号中的肌电伪差,使用典型相关分析方法,分析了大量被肌电干扰和未被干扰的脑电(EEG)信号,得出了一个合理的自相关阈值.在时域上,肌电伪差和一般的噪声信号比较类似,有比较小的自相关值,在去除肌电伪差时,凡自相关值低于此值的分解成分被识别为肌电伪差.该方法很好地利用了这个特点,将肌电伪差分量与潜在大脑信号分离,然后依据剩下的分解成分重建"干净"的EEG信号.实验结果表明,典型相关分析法在去除肌电伪差时优于独立成分分析法,结合提出的自相关阈值在有效去除肌电伪差的同时,又能较好地保持潜在的大脑信号不变.     

去除脑电信号眨眼伪差的独立成分时域相关算法

针对脑电信号易受眨眼动作干扰的问题,提出了一个自动地去除眨眼伪差的独立成分时域相关算法.该算法使用独立成分进行分析,并分解脑电信号,然后利用眨眼伪差独立成分与某些导联的脑电信号之间在时域存在较大相关性的特点,计算每个独立成分与前额附近的5个导联(Fp1,Fp2,F3,F4,Fz)信号的相关值的累加值,并对该值进行排序,将具有最大值的独立成分识别为眨眼伪差独立成分,将其设置为0,最后重建干净的脑电信号.通过对脑电信号的去除伪差实验表明:眨眼伪差引起的干扰基本被消除,伪差检测算法的敏感度和特异度分别是97.7％和98.3％,同时该算法能有效保持脑电信号基本不变.     

采用样本熵自适应噪声完备经验模态分解的脑电信号眼电伪迹去除算法

针对脑电(EEG)信号容易被眼电(EOG)伪迹污染,而常规伪迹去除算法会导致EEG有用信息大量丢失的问题,提出一种采用样本熵完备经验模态分解的EOG伪迹去除算法。首先,利用独立成分分析(ICA)算法将EEG分解为独立分量;然后,对各独立分量进行样本熵分析,接着引入阈值对伪迹分量进行自动识别,识别后的伪迹分量经过自适应噪声完备经验模态分解(CEEMDAN)算法分解后采用小波阈值降噪;最后采用逆CEEMDAN和逆ICA算法重构信号,达到伪迹去除的目的。采用公开的BCI2000运动想象数据集中60组数据进行实验,结果表明,所提算法的EOG伪迹自动识别正确率达80%,比基于峰度的伪迹识别算法提高约26.7%;采用公开的Klados EEG数据集中15组数据进行实验,结果表明,重构后的EEG信号与纯净的EEG信号的相关系数为0.841,均方根误差较受污染信号降低约56.82%。实验结果证明了所提算法在提高伪迹去除能力的同时能够有效保留有用脑电信息。     

基于独立成分分析的脑电伪迹消除方法

独立成分分析(ICA)是统计信号处理中的一项新技术，用来从混合信号中提取具有统计独立性的成分，基于固定点快速算法，从脑电(EEG)信号中消除眼电(EOG)伪迹信号，并给出了实验结果。实验结果表明该算法具有较好的性能和实用性。     

多参考信号的ICA方法及其在去除脑电伪差中应用

为消除脑电信号中的心电、眼电等伪差,在已有的不动点算法和带参考信号的独立分量分析算法的基础上,提出了一种多参考信号的独立分量分析方法.该方法通过计算各伪差在各路观测信号中的比重,去除伪差对观测信号的影响,从而得到较为纯净的脑电信号,所提方法相对于传统的fast ICA算法具有更小的计算量,并且不需要对分离的独立源进行人工干预,同时也是对ICA-R算法的一种扩展,解决了其只能提取单路源信号的缺点.仿真实验证明该方法更切合实际情况,而且能够更加有效地去除脑电信号中的多个伪差.     

基于扩展Informax算法的脑电信号伪差分离研究

提出了一种基于扩展Informax算法的脑电伪差检测和分离方法，首先应用扩展Informax算法将脑电信号分解为相互独立的分量，并计算其解混矩阵和混合矩阵，通过分析分解结果发现；脑电信号中的伪差成分总是作为一到两个独立分量被分解出来，并且这些分量的空间分布与特定伪差类型相对应，因此，根据混合矩阵提取独立分量的空间分布特征，即可检测出伪差成分，进而重构出无伪差的脑电信号，分离眨眼伪差的实验结果也充分证明了这一方法的有效性。     

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.     

基于主成分分析和极端学习机的测谎方法研究

为了克服当前基于P300的测谎方法训练时间长、个体识别准确率不够高的缺点,提出了将主成分分析(Principal component analysis, PCA)和极端学习机(Extreme Learning Machine,ELM) 相结合的PCA_ELM测谎方法.该方法使用典型的三刺激测谎范式,记录30名随机划分的撒谎和无辜者在Pz电极上的脑电(EEG)信号, 选择探针刺激响应并对每名受试者的每5个响应波形进行平均,然后对两类信号提取小波特征.PCA被用于对原始特征空间进行特征选择.降维后的特征样本被送到ELM分类器,该分类器学习速度快,泛化能力强,但是对于其隐层节点数的指定一直未有有效的解决方法.我们通过对特征子空间的维数和ELM的隐层节点数进行二维的网格搜索算法,基于交叉验证的方法,对两个参数进行同步优化选择,训练得到最佳参数下的分类模型.实验结果表明,提出的PCA_ELM方法不仅在训测谎准确率上高于当前的广泛使用的分类模型,而且训练时间大大缩短,尤其适合于在线的测谎系统.     

基于二阶盲辨识结合小波包的脑电信号预处理

针对脑机接口(BCI)中脑电信号(EEG)含有的伪迹,提出一种基于二阶盲辨识结合小波包分解(SOBI-WPD)的去除伪迹方法.首先将多个导联EEG采用SOBI分解成若干独立分量.然后根据眼电和工频干扰直观特征,将对应的独立分量置零.进而将剩余独立分量分别用‘haar’小波基进行6层WPD分解,取每个独立分量分解后与任务相关的子带进行逆变换,形成对应的新的独立分量.最后将这些新分量投影重构,得到去伪迹的EEG.对3组实验数据,使用SOBI-WPD、独立成分分析和SOBI 3种预处理方法,单个样本处理时间分别为61,239和47ms;相同的特征提取和分类方法下,识别正确率分别为86.7%,73.0%和79.8%.SOBI-WPD能快速有效地去除伪迹信号,为BCI中EEG的预处理奠定了基础.     

多通道脑电信号眼电伪迹自适应去除方法

针对现有方法在眼电伪迹自动去除中存在有用信息丢失,伪迹分量识别困难的问题,提出了一种结合粒子群优化算法、独立成分分析和小波变换的伪迹自适应去除算法。首先,采用均方根误差和Pearson相关系数设计了粒子群优化算法的适应度函数,利用优化算法实现了两个样本熵阈值的自适应设置;然后利用快速独立成分分析算法将脑电信号分解为统计独立分量,根据第一个样本熵阈值自动识别含伪迹分量,含伪迹分量经过四层小波分解得到五个小波分量,根据第二个样本熵阈值自动识别伪迹分量,将识别的伪迹分量置零;最后经过小波重构和逆变换,获得去除眼电伪迹的脑电信号。采用Graz data set A数据集进行实验验证,结果表明提出的方法能够实现多通道脑电信号伪迹的自动去除;采用Klados数据集进行实验验证,结果表明,与SE-CEEMDAN方法相比,采用提出方法实验获得的均方根误差降低了4.816,约38.2%,Pearson相关系数提高了0.025,约2.97%。     

消除脑电图伪差的数据处理方法

本文提出了一种消除电脑电图主要伪差（肌电伪差、眼动伪差和基线漂移）的实用有效方法．即用线性Ｋａｌｍａｎ滤波未消除脑电图的肌电伪差，用ＦＩＲ数字高通滤波器抑制眼动伪差及基线漂移，取得了良好的效果，为进一步设计脑电图的计算机自动化分析和诊断系统，解决了关键性的问题．在数据处理的同时还对线性Ｋａｌｍａｎ滤波经行了改进，即去除了肌电伪差模型，使系统更为简洁，滤波效果更好．     

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%.     

基于约束独立分量分析的脑电特征提取

针对脑机接口(brain computerinterface,BCI)系统特征提取较慢的现状,提出基于约束独立分量分析(constrainedindependentcomponentanalysis,cICA)的P300特征提取方法.首先,针对各位P300实验被试,通过EEG图像研究其特有P300时域特性;然后,根据P300特性构建参考信号,并将参考信号与独立分量分析(independentcomponentanalysis,ICA)方法结合,基于64导联EEG,提取出与P300相关度最大的独立分量;最后,依据提取出的独立分量构造3维特征向量进行分类.实验采用线性分类器,针对BCICompetitionIIdatasetIIb和BCICompetitionIIIdatasetII两组公共数据集进行了验证.结果表明,提出方法在3次叠加平均下识别正确率达671%,15次达952%,在相同实验条件下,分类时间也较其他方法缩短.     

脑电信号中独立分量特征提取与脑力负荷分类

脑力负荷过高会造成作业绩效下降和人因事故,过低则会造成人力资源浪费,所以研究操作人员脑力负荷状态非常有意义。现有脑力负荷分类方法利用脑电(electroencephalogram, EEG)信号特征进行分类,准确率较低。所以,本文针对视觉和操作类脑力负荷提出一种基于脑电独立分量特征的分类方法,该方法采用独立分量分析(Independent Component Analysis, ICA)对脑电信号进行分离,直接对得到的独立分量提取四种不同频段的能量特征,最后将特征作为支持向量机(Support Vector Machine, SVM)的输入,对脑力负荷进行分类。由于直接使用脑电独立分量特征,所以分类精度高于现有方法,平均分类精度提高29.14%。本文还进一步发现脑电独立分量中存在的眼电伪迹对分类结果没有明显影响。本文提出的方法可以实现快速、准确、自动的脑力负荷分类。     

基于ICA与PSD的ERD／ERS信号检测

介绍一种基于独立分量分析（ICA）空间滤波结合功率谱密度（PSD）曲线分析法用于提取大脑在想象动作时产生事件相关去同步／同步（ERD／ERS）信号的方法．其检测流程为：先对想象动作诱发的脑电（EEG）信号进行ICA分解得到独立分量与相应的解混矩阵,再按特征频段取其主要分量得到滤波后数据,然后采用短时傅里叶变换计算相关导联EEG信号在特征时段与频段的PSD曲线,引入ERD／ERS系数作为量化指标以进行想象动作的识别．计算结果表明,上述方法能够显著增强运动想象脑电信号的ERD／ERS特征信息,且通过实际分类验证,采用该方法可以获得更高的识别正确率,较传统信息检测方法平均提高8％以上．     

主成分分析在震动信号目标识别算法中的应用

为了改进基于震动信号的地面运动目标识别算法,提出了一种基于主成分分析（PCA）的2次特征提取算法.首先对地面运动目标引起的震动信号进行目标特性分析,提取多维的特征值;然后利用主成分分析方法对众多的特征值进行分析,去除特征值之间的相关性,提取综合特征值并应用于分类器,得到目标识别结果.基于实地采集的地面运动目标的震动信号进行实验,结果表明：该方法有效地减少了特征值的维数和相关性,降低了分类器训练的难度和训练时间,同时提高了目标的正确识别率.     

基于Isomap的SMO算法及在煤与瓦斯突出预测中的应用

煤与瓦斯突出发生的内在机理复杂,突出影响因素与突出事件之间的相关规律具有不确定性、模糊性,使得基于经验的传统预测方法和基于数学建模的统计预测方法的应用受到很大限制.在研究非线性降维等距特征映射和序贯最小优化算法的基础上,提出一种基于等距特征映射的煤与瓦斯突出序贯最小优化算法,该方法改进了样本向量之间的距离度量,用测地距离代替传统的欧式距离,有助于挖掘高维数据内在的几何结构.实例验证表明,该算法能可靠预测煤与瓦斯突出的危险性分类,实验进一步将Isomap和主成分分析的降维结果相比较,结果显示Isomap优于传统的线性降维技术,这说明非线性降维技术在地学数据分析中具有一定的应用潜力.