基于稳态视觉诱发电位的脑-机接口研究

实现了一个以液晶显示器(LED)产生刺激频率的稳态视觉诱发电位(SSVEP)脑-机接口系统(BCIs)。为了从脑电中提取出稳态视觉诱发电位(SSVEP)信号,运用基于快速傅里叶变换(FFT)的方法和基于Mallat小波及AR模型分析法这两种处理方法对脑电信号进行离线分析。实验结果表明,用这两种方法提取SSVEP信号都可以达到很高的准确率;而基于FFT的方法更适用于脑-机接口系统。因此用基于FFT的方法完成了这个SSVEPBCIs的在线实验。     

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.     

采用相对小波能量法的脑-机接口设计

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,提出采用相对小波能量的特征提取方法.首先深入研究了相对小波能量的计算方法,然后利用相对小波能量对脑电信号进行特征提取,最后采用支持向量机进行分类,并采用分类准确率和互信息作为该脑-机接口的评价标准.离线分析结果表明:分类准确率最高为85.7%,最大互信息为0.41比特.与较常用的自适应自回归(AAR)模型系数作为特征的方法相比,所提方法具有更高的识别准确率和互信息.     

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。     

脑-机接口中小波和小波包方差的特征比较

针对两种不同意识任务的脑-机接口设计,提出了以方差作为特征的方法和以分类速率作为评价标准之一的新方法.首先深入研究了小波理论,分析了小波包分解中存在的频带交错现象,然后以小波系数和小波包系数的方差作为特征,对C3,C4导联脑电信号分别进行两种特征的提取,最后采用线性支持向量机作为分类器进行分类.结果表明,两种特征对应的最大分类正确率均达到了86.43%,对应时间分别为4.32和4.31 s.因此,以小波方差和小波包方差作为特征是完全可取的;分类速率的提出能同时反映分类正确率和分类时间,为大脑意识任务分类提供了新思路.     

稳态视觉诱发电位频率与相位特性的脑电研究

以往的研究发现,头皮脑电在枕区电极处所测得的稳态视觉诱发响应的幅度随着刺激频率的变化而变化。为了解释这一现象,该文采用一个3层的边界元头模型以及基于该模型的求逆算法,通过真实脑电数据分析,发现位于左、右侧枕区的皮层源在稳态视觉诱发响应上存在着时间差,由此提出假设:左、右侧枕区的皮层源在不同刺激频率下,在时间相位上存在着差异,这是造成不同刺激频率下脑电响应幅度存在差异的原因之一。通过仿真实验进一步验证了该假设的合理性。     

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。     

特征筛选对脑-机接口信号单次提取精度的影响

脑-之机接口的核心问题之一是通信载体信号的单次提取．在构建脑控拼写器的过程中，通过“模拟自然阅读”诱发模式产生的视觉诱发电位作为人脑与计算机之间的通信载体，采用支持向量机方法进行特征信号的单次识别．为提高识别精度，详细研究了信号时程、时段的选择对模式识别精度的影响．结果表明，信号时程越长分类精度越高，时程达到300ms时，分类精度就可达到最大值（且趋于饱和）；信号时段的选择对分类精度亦有较大影响，最佳时段在靶刺激出现后约250～350ms作为起始处．这一结果为提高系统的整体速度与精度打下了基础．     

关于改进的支持向量机的研究

支持向量机是一种基于统计学习理论和对偶理论的分类和函数估计方法,其推广能力强和全局最优的特点引起了学者的广泛关注。本论文对目前所提出的各类改进的支持向量机进行了初步的研究和分析。     

最小二乘模糊支撑向量机研究

支撑向量机是以统计学习理论为基础,以结构风险最小化（Structure Risk Minimization,SRM）为原则的新型学习机,已经广泛地用于模式识别、回归估计、函数逼近、密度估计等方面。在对已有的分类问题的SVM算法的研究分析基础上,结合Lin和Wang提出的模糊支撑向量机模型和现有的最小二乘支撑向量机模型得出最小二乘模糊支撑向量机模型。     

Neural suppression of distractors surrounding the spotlight: Evidence from steady-state visual evoked potentials

The present study investigated the allocation of spatial attention using steady-state visual evoked potentials(SSVEPs).The SSVEP is elicited in visual cortical areas by a repetitive flicker having the same fundamental frequency as the driving stimulus.Two flickers were applied with the letter stream presented in the center of the monitor and the distractor presented on either the left or right side of the target.Participants were instructed to detect the target letter in the letter stream.The distance of the two flickers was manipulated.The results show that the amplitudes of the SSVEPs elicited by the distractor were enhanced when it was in the closest position and suppressed when it was at a farther distance.But the amplitudes rebounded at the farthest distance.Meanwhile,the SSVEP elicited by the target flicker remained stable independent of the distance of the distractor.Thus,the present study indicates that focused attention involves neural suppression surrounding the classic spotlight,and the SSVEP paradigms open new avenues for studying the attentional suppression mechanism.     

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%.     

基于生理信号的情感计算研究综述

近年来,深度神经网络应用于脑电情感识别并取得了比传统算法更好的性能,但是卷积神经网络存在对于物体空间关系识别和物体旋转后的特征识别能力较弱、池化操作会丢失大量有价值的信息以及无法描述脑电信号不同通道间的内在联系等缺点。为了克服上述缺点,文章提出了基于注意力路由胶囊网络的多通道脑电情感识别模型(AR-CapsNet),将注意力路由和胶囊激活引入脑电信号情感识别模型中。与传统的胶囊网络脑电情感模型相比,AR-CapsNet模型在保持空间信息的同时,快速地进行前向传递。最后,在数据集DEAP上,将AR-CapsNet模型与机器学习模型、其他深度学习模型(动态图卷积神经网络、四维卷积递归神经网络和传统胶囊网络等)进行了情感识别准确率实验;与多层级特征引导的胶囊网络进行参数量和训练时间对比实验。实验结果表明：(1)与其他模型相比,AR-CapsNet模型有更高的识别精度,在效价、唤醒和主导上的平均识别准确率分别为99.46%、98.45% 和99.54%;(2)与目前性能较好的胶囊网络脑电情感识别模型(多层级特征引导的胶囊网络)相比,AR-CapsNet模型使用了更少的总参数量,降低了脑电信号情感识别的复杂度。

     

四类基于支持向量机的多类分类器的性能比较

本文通过UCI数据库中的五个数据集,从分类准确性和运行时间两个方面,比较了四类基于支持向量机的多类分类器——多类支持向量机(MSVM),多元双生支持向量机(MTSVM),多生支持向量机(MBSVM)以及多元支持向量分类回归机(MSVCR)的性能.实验结果表明,MTSVM和MBSVM比MSVM和MSVCR更有效.     

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．     

一种新的模糊支持向量回归方法

为克服传统的模糊支持向量机隶属度函数都是基于样本与类中心距离进行设计所带来的局限性问题,提出了基于样本到超平面距离的新隶属度函数设计方法。该方法从支持向量机的回归本质出发,通过更加合理地设计隶属度函数,提高支持向量机的回归的泛化鲁棒能力。仿真结果证明,该方法具有更好的鲁棒性,提高了模糊支持向量机的泛化能力。     

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。     

基于一类支持向量机的快速人脸相似性学习

把一类支持向量机应用到人脸相似性学习中,提出了一种快速的人脸相似性学习方法.和标准支持向量机相比较,一类支持向量机的主要特点是只利用相似样本进行训练,减少了数据量,能快速地进行相似性学习.2个实际人脸数据库上的实验结果表明,本方法能够快速地学习到人脸相似性,其运行时间至多是支持向量机算法的三分之一.     

最小二乘双胞支持向量回归机的研究

 利用最小二乘方法和临近支持向量机(PSVM)算法,并结合双胞支持向量机(TSVR),提出了最小二乘双胞支持向量回归机(LSTSVR).作为对照,TSVR需要求解2个二次规划问题,而LSTSVR仅需求解2个线性方程组.最后利用不同的实例验证了所提算法的可行性和有效性.     

基于模糊熵的支撑矢量预选取方法

在基于支撑矢量机的分类器学习算法中,预先选择支撑矢量是非常重要的．依据模糊熵理论,提出一种启发式的支撑矢量预选取方法——模糊熵方法．该方法针对支撑矢量数目较小的情况,可以有效地预选取出包含支撑矢量的边界集．利用边界集作为训练集可以大大简化支撑矢量机的训练而不影响分类性能．与其它方法相比,该方法的主要优点是不需要参数来确定边界集的阈值．仿真实验结果表明该方法是有效和可行的．