基于邻域空间模式的运动相关电位特征提取新方法

模式分类是基于脑电图（EEG）的脑-机接口(BCI)研究的重要环节之一.针对不同的BCI任务,所采用的分类特征和分类算法也不同.其中,运动相关电位（MRPs）现象是BCI想象肢体运动分类算法中的所用到的重要分类特征.针对BCI研究中的采集EEG数据分布复杂,和训练样本不足重要问题,本文提出一种新的MRPs特征提取方法—邻域空间模式 (NSP),利用邻域关系和类别信息,有效提取了分类性能更强的MRPs特征.最后的实验结果证明了NSP算法能更有效提取分类特征.     

一种运动想象异步BCI的空闲状态检测方法

提出一种利用特殊运动想象训练样本与有限的空闲状态训练样本进行训练的方法,采用公共空间频率模式算法与功率谱密度算法分别提取样本的空域与频域上的特征.利用贝叶斯线性判别方法进行分类,设计出一种适用于异步脑-机接口(BCI)的具有两级分类结构的分类器.实验结果表明:该方法对包含空闲状态的脑电信号具有较好的分类效果;在利用较少电极的情况下,测试集样本的分类结果的正确率和均方误差分别为77.62%和0.495.     

脑-机接口系统的类协同式半监督学习

针对如何提高有标签样本不足时的分类精度问题。提出脑-机接口系统(BCI)的类协同半监督学习算法(LCTSSL),采用有监督和无监督两种算法提取双特征训练双分类器协同扩充有标签样本集。在训练前后阶段设置不同置信度度量,选择两分类器分类结果一样的高置信度样本进行标记,保持每类每次新标记样本数目一样,提高有标样本集的可信度及识别系统的鲁棒性。迭代更新两分类器、有监督提取系统及相应特征,充分利用新标签信息。最后利用BCI竞赛2005的数据I证明LCTSSL算法的有效性。     

广义邻域粗集下的集成特征选择及其选择性集成算法

针对实际模式识别系统中样本特征常具有的连续值属性、高维性、强相关性和冗余性等影响分类效果的问题,在广义邻域粗集模型下提出一种集成特征选择及其选择性集成算法.该算法先提取样本特征并利用所提出的马氏距离分布熵评估其重要度,再基于特征重要度构建广义邻域粗集模型,并在此模型上以特征重要度为启发式信息设计基于蚁群算法的属性约简算法,然后通过改变广义邻域粗集模型参数的方式获得更多具有更大差异性的基分类器,最后利用主成分分析法对产生的基分类器进行选择性集成.模拟电路故障诊断结果表明,该算法比AdaBoost等算法取得的分类精度至少提高了2.6%.     

单次运动想象脑电的特征提取和分类

为了实现脑-计算机接口(BCI)系统,对运动想象脑电信号的特征进行了提取和分类.将大脑C3,C4处采集的二路运动想象脑电信号分成4段,分别建立六阶AR参数模型进行功率谱估计,再对每段数据的功率谱求和构造特征矢量,提供给误差反向传播算法进行左右手运动想象脑电模式分类.结果表明,该方法提取的特征向量较好地反应了运动想象脑电信号的事件相关去同步(ERD)和事件相关同步(ERS)的变化时程.另外,该方法识别率高,复杂性低,适合在线脑-计算机接口的应用.     

自适应单次运动想像最优特征提取研究

为得到区分左右手运动想像脑电信号的最优特征,提出了一种自适应单次脑电特征提取方法.该算法先按运动想像电位生理学原理对不同被试寻找事件相关去同步/同步(ERD/ERS)现象最明显的频段与时间段,再按照这些参数提取C3,C4导脑电信号的能量,最后取其能量比值作为左右手想像分类的特征.采用公共标准数据集做测试,运用支持向量机(SVM)进行分类,并与AR特征提取法对照.结果表明,该法可有效提高分类正确率(平均90.7%,最佳98.7%),优于使用固定频段与时间段的AR特征提取法(平均77.4%,最佳92.8%),且算法复杂度低于AR特征提取法,适应性稍强于AR特征提取法,适合在线应用.     

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。     

独立分量分析和遗传算法相结合的运动想象频带优化

对结合独立分量分析(independent component analysis,简称ICA)和遗传算法(genetic algorithm,简称GA)的运动想象脑电(motor imagery electroencephalogram,简称MI-EEG)特征检测及其优化方法开展研究.设计了基于ICA的MI-EEG分类算法.在此基础上,针对不同受试个体,用GA算法对运动想象诱发的事件相关去同步(event-related desynchronization,简称ERD)频段进行优化选择,用以改善运动想象脑-机接口(brain-computer interface,简称BCI)系统的识别率.实验结果表明,基于ICA的GA算法特征优化方法具有较好的可靠性和实用性,可用于在线BCI的设计与实现.     

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Grassmann流形距离的动作识别

利用时空兴趣点间的位置及局部特征相似度信息,提出一种局部邻域特征以描述局部数据结构,然后引入核主角度及Grassmann流形距离以度量2个邻域特征距离,通过构造随机流形森林学习数据样本在Grassman流形上的类条件概率密度函数,最后使用多核学习算法实现对随机流形树的剪辑及动作分类.在KTH及UCF-CIL动作数据库的实验证明:所提动作表示方法能有效描述人体运动信息,且该动作识别算法的识别率优于近年提出的典型动作识别系统.     

EEG Signal Denoising and Feature Extraction Using Wavelet Transform in Brain Computer Interface

Electroencephalogram (EEG) signal preprocessing is one of the most important techniques in brain computer interface (BCI). The target is to increase signal-to-noise ratio and make it more favorable for feature extraction and pattern recognition. Wavelet transform is a method of multi-resolution time-frequency analysis, it can decompose the mixed signals which consist of different frequencies into different frequency band. EEG signal is analyzed and denoised using wavelet transform. Moreover, wavelet transform can be used for EEG feature extraction. The energies of specific sub-bands and corresponding decomposition coefficients which have maximal separability according to the Fisher distance criterion are selected as features. The eigenvector for classification is obtained by combining the effective features from different channels. The performance is evaluated by separability and pattern recognition accuracy using the data set of BCI 2003 Competition, the final classification results have proved the effectiveness of this technology for EEG denoising and feature extraction.     

一种重复二分CSP4类运动想象脑电信号特征提取算法

针对脑机接口（BCI）系统中4类运动想象的脑电信号ERD/ERS现象进行研究,提出了一种重复二分共同空间模式（RB-CSP）算法用于4类运动想象脑电信号的特征提取,并运用SVM进行分类研究. 实验结果表明,该方法与传统的4分类CSP扩展算法OVR-CSP相比,减小了算法复杂程度,缩短了信号处理时间,提高了准确率,为在线脑机应用提供了一种新的解决方法.      

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%。     

基于共空间模式和神经元网络的脑-机接口信号的识别

提出了一种基于共空间模式和LVQ神经元网络对不同意识的脑电信号进行分类的方法.脑电信号是通过电极在头皮表面采集的脑-机接口的控制信号,提取脑电信号特征并对其进行分类,组成不依赖于正常的由外围神经和肌肉组成的输出通路的通讯系统.首先利用小波包分解对原始脑电信号进行预处理,对分解后特定小波包子带的脑电信号进行共空间模式分解,提取最优的特征;然后利用LVQ网络对不同意识任务特征进行分类,实验结果表明,该方法取得了92.7%的平均分类识别率,已经达到脑-机接口实际应用的标准.     

基于CSSD和SVM脑电分类技术的研究

本文研究的BCI实验是基于BC12003竞赛数据来对脑电信号分类。本文提出了一种脑电信号趋势的概念,使用支持向量机（SVM）作为分类器的算法。首先将BC12003竞赛数据通过中值滤波器和由小波函数构成的带通滤波器,然后用时间窗进行时域上地过滤,选取对于大脑思维活动现象表现最明显的一段数据,再通过共空域子空间分解（CSSD）从脑电信号中提取特征,最后基于提取的特征,通过SVM训练后,进行分类识别,分类识别率达到了85％～96％。实验中采用的特征提取方法和分类方法对于脑电信号的分类识别准确率提高了不少。     

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.