采用最小二乘转换的在线SSVEP字符输入系统设计与实现

针对SSVEP-BCI系统信息传输率高、鲁棒性强，当前基于有训练分类算法的SSVEP-BCI系统需要较长时间采集训练数据，而基于无训练算法的系统难以满足实时性要求的问题，提出只需少量训练数据的高效在线字符输入系统，实现了快速准确的字符输入。该方法利用最小二乘转换技术进行跨被试迁移学习，并使用FoMSFA和多频率学习技术进行频率识别。使用者仅需进行2组训练数据采集，即可在1.96 s内实现单字符快速准确地在线输入。对15名受试者执行有提示字符输入，平均准确率和信息传输率分别为79.3%和161.9 bit/min；10名受试者执行无提示字符输入，平均准确率和信息传输率分别为80.0%和163.5 bit/min的实验。迁移学习技术和高效SSVEP识别算法的结合，为在线SSVEP-BCI系统的发展提供了新思路。     

基于稳态视觉诱发电位的脑电信号分类算法比较

基于稳态视觉诱发电位(steady state visual evoked potential,SSVEP)的脑-机接口(brain computer interface,BCI)系统具有分类准确率高、用户不用长时间训练等优点而广受关注.如何高效地对SSVEP信号频率识别而实现更好的分类效果是SS-VEP-BCI的核心问题.采用滤波器组典型相关分析(filter bank canonical correlation analysis,FBCCA)与任务相关成分分析(task-related component analysis,TRCA)对SSVEP信号分类比较研究,探讨了两种方法在数据长度、子带数以及通道数对SS-VEP信号分类效果的影响.35位被试者的数据表明:在数据长度小、时间短的情况下,TRCA具有更高的分类准确率,且子带数设置为5时,分类准确率达到最大.通道数越多分类准确率越高,但是通道个数较少时,TRCA分类效果明显优于FBCCA.研究为SSVEP脑电数据有效性分析以及提高基于SSVEP的脑电信号分类准确率提供了新的思路.     

基于PSD特征的FBCCA脑电信号识别方法

:当前基于稳态视觉诱发电位 (Steady-State Visual Evoked Potential,SSVEP）的脑机接口使用的都是单一识别算法,针对不同时间长度的识别准确率较低。本文提出了一种基于滤波器组的典型相关分析（Filter Bank Canonical Correlation Analysis,FBCCA）与功率谱密度（Power Spectral Density,PSD）分析相结合的SSVEP识别算法,可以提高SSVEP识别的普适性与准确率。该方法使用FBCCA寻找高相似度的参考频率信号,再通过多组PSD分析来锁定最终的响应频率,完成频率识别。该方法无需经过训练就能得到较高的识别准确率。实验结果表明,在刺激时长为1s时,该方法能达到86.61%的准确率,比PSD分析的方法提升了5.44%,比典型相关性分析方法(Canonical Correlation Analysis,CCA)提升了10.38%的准确率,比FBCCA提升了8.86%的准确率。     

稳态视觉诱发电位脑机接口的现场可编程逻辑门阵列实现

针对稳态视觉诱发电位(SSVEP)脑机接口(BCI)系统对计算机性能要求较高的问题,提出一种以现场可编程门阵列(FPGA)和商用脑电采集设备为核心的SSVEP-BCI系统。该系统通过FPGA独立的显示模块,实现了视频图形矩阵(VGA)接口的控制;按照显示刷新帧的方式分配闪烁频率对应的范式图案,实现了诱发SSVEP信号所需范式的稳定显示。通过实验对所设计的VGA视觉刺激器光闪烁频率进行采集分析可知,视觉刺激器范式显示频率与所设计的频率基本一致,可用于SSVEP诱发实验。结合所设计的视觉刺激器,完成了基于FPGA的脑电信号处理和特征识别。设计方案使用串口将脑电信号传输到FPGA端,采用快速傅里叶变换分析频率成分,对视觉刺激器对应的频率进行分析比较,最终通过实验对系统进行验证。结果表明:设计的系统在4个刺激目标和单次实验时长2s的情况下,实现了平均85.25%的识别正确率,表明系统能够实现SSVEP信号的诱发和有效识别,并且能够达到较好的效果。     

基于稳态视觉诱发电位的脑电控制上肢康复机器人

针对现阶段基于脑机接口(brain-computer interface,BCI)的康复机器人存在多目标分类时间长、识别准确率仍有待提升的问题,设计了一种由脑电信号控制的上肢康复机器人,对脑电信号中的稳态视觉诱发电位(steady-state visual evoked po-tential,SSVEP)分类,进而判断出受试意图并输出相应动作指令.基于MATLAB的Psychtoolbox工具箱设计了包含5个刺激矩形的频闪界面作为视觉刺激器,刺激大脑生成SSVEP信号,对应上肢康复机器人的5个控制指令.运用多导联同步指数(multivariate synchronization index,MSI)算法对采集到的信号进行分类并输出控制指令,机器人在接收指令后执行特定动作.实验得到的机器人动作正确率最佳为98.33％,平均信息传输速率为23.11 bit/min.结果表明:SSVEP信号控制的上肢康复机器人在辅助治疗的方面具有良好的应用前景,可以有效提高肢体偏瘫患者的康复效果.     

用于稳态视觉诱发电位特征频率提取的同步压缩短时傅里叶变换方法

针对稳态视觉诱发电位(steady state visual evoked potential,SSVEP)范式下脑电信号(electroencephalograph,EEG)信噪比低、限制其识别正确率提高及脑-机接口应用等问题,根据EEG随机性、近似平稳的特点,提出了用于SSVEP特征频率提取的同步压缩短时傅里叶变换方法。该方法利用短时傅里叶变换对EEG进行时频分析,并通过同步压缩变换对时频平面的能量在频率方向进行重新分配,获得频率曲线更加集中的时频表达;同时为提高EEG信噪比,提取SSVEP脑电中特征频率附近信号进行重构,并利用典型相关分析进行分类识别,有效提高了最终识别正确率。仿真和实验结果表明,该方法极大地提高了信号的信噪比,具有良好的抗噪声性能和信号提取精度,且与传统的经验模态分解和常规滤波方法相比,该方法平均识别正确率最多分别提高了9.98%和4.38%,平均信息传输率最多分别提高了7.57bit/min和2.69bit/min,有效提高了SSVEP范式下脑-机接口的工作性能。     

基于动态自适应策略的SSVEP快速目标选择方法

基于稳态视觉诱发电位(SSVEP)的脑-机接口(BCI)系统具有高速、大指令集等优点,其信息传输率(ITR)的进一步提升对系统走向实际应用具有重要意义。该文采用包含35名被试的公开数据集,使用任务相关成分分析的分类模型识别脑电图数据中的SSVEP成分,进而运用基于Bayes估计的动态自适应策略评估分类结果的置信度。实验结果表明:动态自适应策略所得到的平均ITR(230b/min)比传统的静态自适应策略(204b/min)提升了12.7%,基于Bayes的动态自适应策略可以进一步提升SSVEP-BCI的性能。     

用于稳态视觉诱发电位脑机接口目标识别的深度学习方法

针对稳态视觉诱发电位(SSVEP)脑电信号存在个体差异性强、信噪比低等特点而导致其识别困难等问题,提出一种用于SSVEP信号分类识别的深度学习方法。该方法以原始多通道SSVEP信号为输入,利用SSVEP信号的时空特性,首先使用一维时间卷积核对输入信号的时域进行卷积操作;然后使用一维空间卷积核进行空域卷积,对多通道信息进行融合;最后采用降采样、多尺度卷积、全连接等操作完成SSVEP信号的分类识别。实验结果表明:利用该方法在较短时间的视觉刺激下即可实现对被试者SSVEP信号的有效识别;在1 s刺激时长时,该方法的平均离线信息传输率为94.17 b/min,平均识别准确率为93.3%,相比于无监督典型相关分析方法和有监督支持向量机分析方法,识别准确率分别提升了48.73%、41.21%。该方法具有较高的目标识别效率及鲁棒性,有效提高了基于稳态视觉诱发电位信号的脑-机接口的性能。     

用于稳态视觉诱发电位目标识别的多尺度特征融合卷积神经网络方法

针对传统稳态视觉诱发电位(SSVEP)脑电信号目标识别方法分类精度低、提取特征不充分、方法复杂且耗时等问题,提出一种基于多尺度特征融合卷积神经网络的SSVEP信号分类识别方法(SSVEP-MF)。利用小波变换将多通道SSVEP信号整合转化为二维图像作为输入样本集;建立多尺度特征融合卷积神经网络模型(MFCNN),该模型利用三层二维卷积核实现图像样本不同尺度特征的充分提取,构建多尺度特征融合单元对不同层级特征进行融合,并通过全连接等操作完成模型的训练;将样本集输入到MFCNN模型中实现脑电信号特征自适应提取及端到端分类。所提SSVEP-MF方法能够充分提取信号各层级特征,实现短时间视觉刺激下SSVEP信号的有效识别,并具有较高的目标识别效率。实验结果表明,在1 s刺激时长时,相比传统功率谱密度分析方法、典型相关分析方法以及普通卷积结构方法,所提方法的识别准确率分别提升了18.57%、20.08%及7.03%,有效提高了基于稳态视觉诱发电位范式下脑机接口的信号识别性能。     

基于改进的贝叶斯分类算法的断路器故障诊断

通过监测断路器分合闸线圈电流识别断路器状态是断路器故障诊断重要方法.但是,由于断路器动作频率不高,分合闸线圈电流的数据样本较小.为了在数据样本较小的前提下对断路器进行快速准确的故障诊断,提出了一种基于改进的贝叶斯分类算法的断路器故障诊断方法.针对原始的贝叶斯算法只适用于处理离散型变量的分类问题、应用范畴较为局限的特点,利用入侵杂草优化算法合理选取标准状态,并以此为基础引入基于标准状态概率分配的连续变量离散化方法对特征量进行离散化,对原始的贝叶斯算法进行了改进.研究表明,改进的贝叶斯分类算法将贝叶斯的应用范畴扩展至连续变量的分类问题,提高了故障诊断的准确率.通过仿真分析验证改进的贝叶斯分类算法在不同训练样本数量的情况下故障诊断的准确性,并与原始的贝叶斯算法和支持向量机进行比较.仿真结果表明在训练样本数量为10的情况下,原始贝叶斯算法、支持向量机和改进贝叶斯算法的故障诊断准确率分别为45.05%、83.15%、92.25%,改进的贝叶斯算法故障诊断准确率明显高于支持向量机,说明改进的贝叶斯算法诊断效果更好;改进的贝叶斯算法故障诊断准确率明显高于原始贝叶斯算法,说明入侵杂草优化算法的优化及基于标准状态概率分配的连续变量离散化方法在提高小样本状态下故障诊断准确率方面有良好的效果;改进的贝叶斯算法故障诊断准确率最高,这表明本文所提改进贝叶斯算法能够在样本数据较小的前提下快速准确地对断路器进行故障诊断.     

Boosting the Information Transfer Rate of an SSVEP-BCI System Using Maximal-Phase-Locking Value and Minimal-Distance Spatial Filter Banks

For Brain-Computer Interface(BCI) systems, improving the Information Transfer Rate(ITR) is a very critical issue. This study focuses on a Steady-State Visually Evoked Potential(SSVEP)-based BCI because of its advantage of high ITR. Unsupervised Canonical Correlation Analysis(CCA)-based method has been widely employed because of its high efficiency and easy implementation. In a recent study, an ensemble-CCA method based on individual training data was proposed and achieved an excellent performance with ITR of 267 bit/min.A 40-target SSVEP-BCI speller was investigated in this study, using an integration of Minimal-Distance(MD) and Maximal-Phase-locking value(MP) approaches. In the MD approach, a spatial filter is developed to minimize the distance between the training data and the reference sine signal, and in this study, two different types of distance were compared. In the MP approach, a spatial filter is developed to maximize the Phase-Locking Value(PLV)between the training calibration data and the reference sine signal. In addition to the fundamental frequency of stimulation, the harmonics were used to train MD and MP spatial filters, which formed spatial filter banks. The test data epoch was multiplied by the MP and MD spatial filter banks, and the distances and PLVs were extracted as features for recognition. Across 12 subjects with a 0.4 s-data length, the proposed method realized an average classification accuracy and ITR of 93% and 307 bit/min, respectively, which is significantly higher than the current state-of-the-art method. To the best of our knowledge, these results suggest that the proposed method has achieved the highest ITR in SSVEP-BCI studies.     

基于稳态视觉诱发电位的脑-机接口实验研究

为提取应用于脑-机接口系统的稳态视觉诱发电位信号(SSVEP),运用叠加平均与快速傅里叶变换(FFT)相结合的方法,由其频谱图上得到作为输入信号的稳态视觉诱发电位信号.通过实验确定了叠加平均次数与最佳视觉刺激颜色,并对混合闪光刺激下SSVEP的提取进行了研究.实验结果表明,该方法提取出的SSVEP信号能够反映使用者的控制意图,可应用于脑-机接口系统.     

高分辨率极化SAR影像KummerU分布非监督分类方法

针对高分辨率极化SAR数据特征分布不再符合同质区域假设, 进而导致基于统计分布的极化SAR影像非监督分类方法精度下降的问题, 将具有广泛适用性的KummerU分布嵌入粒子群寻优聚类算法, 提出了新的极化SAR影像非监督分类算法(PSO-KummerU方法):首先基于极化SAR统计特征对数据进行初分类, 然后采用极化SAR统计特征与粒子群优化算法进一步进行聚类中心求解, 分类准则部分采用KummerU距离改进代替传统的Wishart距离度量准则; 采用3种非监督分类方法(H/α-Wishart、PSO-Wishart、PSO-KummerU方法)进行分类对比实验.实验结果表明:基于KummerU分布的PSO-KummerU方法与采用Wishart距离的聚类方法相比, 目视效果明显改进, 整体分类精度提高14%以上.     

一种基于改进信息增益特征选择的最大熵模型文本分类方法

针对传统信息增益(IG)特征选择算法忽略词频分布的缺陷,该文提出一种新的IG特征选择算法.该算法通过引入均衡比和类内词频位置参数,解决了传统IG算法忽略词频分布对分类的弱化问题,修正传统类内词频位置参数,提高特征选择算法的文本分类精度,并将该改进IG特征选择算法用于最大熵模型(ME)对文本进行分类.实验结果表明:该文所提方法在进行文本分类时F1值高于传统IG算法.该文方法的ME分类精度高于K最近邻KNN(K-Nearest Neighbor)算法,说明本文方法是可行的、有效的.     

基于TF-IDF与word2vec的台词文本分类研究

为提高文本分类的准确性,针对健康节目台词文本各类别之间样本数量及各样本之间词数不平衡的特点,提出了一种基于word2vec均值算法及改进的词频-逆文本频率(TFIDF)算法的分类方法 .该方法通过引入信息熵及修正因子,缓解了数据不平衡对分类准确率及召回率造成的不良影响.实验结果表明:所提出的分类方法在准确率及召回率上与word2vec均值模型相比,分别提高7.3%及10.5%.     

基于视觉双特征的并行联合脑-机接口范式的研究

基于多特征的并行联合脑-机接口与单一特征脑-机接口相比,能利用更多信息和并行方式提高特征提取和系统执行效率。提出了一种基于稳态视觉诱发电位(SSVEP)和运动起始视觉诱发电位(MVEP)的双特征并行联合脑-机接口范式,通过设计3×3字符拼写范式,矩阵中纵列白色竖条按设定频率闪烁诱发SSVEP,横行中白色竖条随机运动诱发MVEP。实验表明,被试者关注目标字符时,两种特征脑电信号被同时诱发出来,并且对两种脑电信号进行特征识别能够检测出被试者选取的目标字符。联合范式并行的刺激编码方式有效节约了刺激诱发时间,为构建更为实用的联合脑-机接口提供了一种实现方法。     

数据分级存储系统中数据分级算法研究

随着数据存储规模的海量增长,降低存储系统的总拥有成本,提高数据访问效率是海量数据分级存储系统的关键.在分析了两种典型的数据分级算法后,结合两种算法的优点对算法进行了改良,提出了基于数据访问频率和数据设备依赖度的自动分级算法,实验结果验证了算法的有效性和数据分级算法具有较高的准确率.