基于脑电信号时空分布信息的思维特征研究

通过对几种特定形式的思维状态下,脑电信号不同频段能量的时空分布的计算和分析,发现了思维状态对脑电信号的能量分布影响具有不对称性.同时利用这种脑电信号能量的时空分布信息对思维状态进行神经网络分类,并对去除眼动等干扰信号前后的分类结果进行比较.结果表明,这种时空分布信息能有效的表征思维状态的类型,并对干扰信号具有一定的抑制作用,是一种研究脑电和思维认知关系的有效方法.     

想象左右手运动的脑电特征提取及分类研究

针对想象运动的脑机接口(BCI)系统存在分类准确率低、抗干扰能力差等不足,提出一种将离散小波变换(DWT)和BP神经网络相结合的脑电识别方法(DWT-BP法).通过计算想象左、右手运动的C3、C4的平均功率,合理确定时间窗设置,对时间窗内的平均功率信号进行离散小波变换,并选取尺度6上的逼近系数A6的组合信号作为脑电信号特征,以BP神经网络为分类器实现对脑电观测数据的分析.实验结果表明,DWT-BP方法能够较准确地提取脑电信号的本质特征,具有较好的抗干扰能力和分类性能,以及识别运动想象脑电信号的有效性,同时为实现运动想象在线BCI系统打下基础.     

基于脑电密码的新型生物识别方法

背景:脑电信号不仅是一个非常有用的临床诊断工具,而且也是一种很好的用于身份认证的生物识别工具。目的:通过分析脑电信号进行个人身份认证及识别的问题,介绍一种新型身份识别方法。方法:采用以回归系数、能量谱密度、相同步、线性复杂度等多种信号处理结合方法对脑电信号进行处理,运用神经网络等分类方法对不同脑电信号进行分类。结果与结论:平均识别率在80%以上。对自由状态下的人在刺激作用或下达指令时的脑电活动进行实时记录,通过信号分析算法和分类算法对脑电的时空变化进行归类,最终实现通过脑电信号进行个人身份识别的目的。可见,以脑电信号作为身份识别完全可行,预计不远的将来必将普及。     

基于残差注意力神经网络模型的癫痫脑电信号分类

目的 针对癫痫脑电信号特征提取过程复杂、信息提取不充分及分类精度较低等问题，本文提出一种基于残差注意力神经网络模型（residual attention module neural network,RAM-Net）用于实现癫痫脑电信号的自动分类。方法 首先对脑电信号进行去噪和分段处理，使网络更有效提取细节特征；然后根据脑电信号在时频域幅值特点，将信号转换为二维时频图像作为模型输入；最后借鉴残差网络思想，在每个残差块中融合注意力机制，构建分类模型，在临床数据集上做验证。结果 该方法分类准确率为97.16%，精确率为97.00%，可实现癫痫发作、间期和正常状态的脑电信号三分类。结论 基于RAMNet的癫痫脑电信号分类方法将脑电信号转化为二维图像，降低了方法复杂度；融合注意力机制增强了网络的有效信息提取能力，可为癫痫临床辅助诊断提供一种新的分析思路和处理方法。     

基于PCA及SVM的运动想象脑电信号识别研究

为了解决脑机接口(BCI)中不同意识任务下运动想象脑电信号的分类问题,提出了一种基于PCA及SVM的识别方法。针对Hilbert-Huang变换和AR模型提取的脑电信号特征,首先采用主成分分析PCA对高维特征向量进行降维处理,然后用支持向量机进行分类。最后将本方法分类结果和Fisher线性分类、概率神经网络分类结果进行比较。实验结果表明,该方法分类正确率较高,复杂度低,具有一定的有效性,可用于脑机接口中。     

径向基函数神经网络在脑电信号建模中的应用

详细介绍了径向基函数神经网络在脑电信号建模中的应用 ,描述了径向基函数神经网络的结构与算法 ,通过与反向传播算法神经网络在脑电建模中的应用进行对比 ,并经计算机仿真发现径向基函数神经网络较适用在脑电信号这类非线性系统建模     

基于固有模态分解和深度学习的抑郁症脑电信号分类分析

以采集到的抑郁症患者和正常人的脑电信号为基础,采用固有模态分解算法对原始信号去噪处理,通过卷积神经网络对抑郁症患者和正常人进行分类分析。首先通过脑电信号的采集实验,采集15位抑郁症患者和15位正常人对照组Fp1的静息态脑电信号;之后对采集到的静息态脑电进行去噪处理,脑电去噪处理主要包括固有模态分解算法对原始信号的分解获得不同层次的IMF分量,对IMF分量进行频域分析,通过硬阈值的方法剔除原始信号中的噪声信号;最后采用卷积神经网络对抑郁症患者和正常人对照组进行二值分类,结果相较于传统的特征提取-机器学习算法,分类准确率明显提高。     

基于深度密集卷积网络的癫痫信号识别

癫痫是常见的一种脑部疾病。本研究以德国伯恩大学脑电癫痫信号数据集的预处理版本为样本对象,通过深度卷积神经网络算法DenseNet,实现癫痫脑电信号识别准确率达到96.94%、精确度为97.46%、灵敏度为87.18%、特异度为99.42%和F1分数92.03%的效果。本研究通过Python编码实现密集神经网络,用以进行癫痫脑电信号中的特征识别,以达到识别病灶的目的。本研究具有良好的医学应用前景。     

癫痫脑电的双谱特性研究

双谱分析对于分析处理非高斯、非线性随机信号具有明显优点.脑电信号被认为具有非高斯、非线性的特性.本文对不同发作阶段癫痫患者的脑电信号进行双谱估计,进而研究不同生理条件下脑电的双谱特性.结果表明,不同发作阶段时癫痫脑电信号的高斯偏离程度明显不同,其中双相干系数能够区分不同发作阶段脑电的信号特征,有望成为临床监护和预报癫痫发作的一个指标.     

基于小波包分解的不同状态下脑电信号分析

本文针对脑电信号的非平稳性,引入小波包分解理论处理临床脑电.根据脑电信号的不同节律特性,提出应用小波包分解构造不同频率特性的时变滤波器,提取脑电信号不同节律的动态特性,并由此构造各种节律的动态脑电地形图.为了研究不同脑功能状态下脑电信号各种节律的动态特性,文中对两组不同的临床脑电数据进行分析,比较两种状态下各种节律的动态特性.实验结果表明,利用小波包分解对脑电信号进行滤波,能够有效提取临床脑电不同节律的动态特性,为分析脑电信号提供一条新的途径.     

Signal processing and quality of displaying waveform at digital EEG machine

With great advances in computer technology, the digital EEG machine was developed and has become widely used. In this paper, signal processing and quality of display of waveform at digital EEG machine were discussed to confirm its advantages and drawbacks. Signal processing on a digital EEG machine is summarized in 3 parts as follows: i) A/D conversion(sampling) of EEG signals in the head box, ii) Digital signal processing to obtain mathematically reconstructed EEG on the computer, iii) Displaying EEG on a monitor. For sampling, it was recommended that sampling rate was 200 or 256 Hz, and resolution in 12 bits or preferably 16 bits per sample. A high amplitude artifact caused EEG flattening called DC build up saturation. Montage reformatting had a clinical advantage. However, re-filtering using 15 Hz high cut filter influenced the EEG interpretation. The maximal resolution of digital EEG machine with a 17-inch CRT display using 1600 x 1200 dots was about 22 Hz. The performance of paper used for conventional EEG surpassed the performance of CRT display using digital EEG machine. It seemed that understanding the characteristics of digital EEG machine and realization of data processing were important for utilizing its functions effectively.     

基于马尔科夫切换过程的运动想象信号分类

隐马尔科夫模型（HMM）在脑机接口（BCI）领域中已经得到很好的应用,尤其是在运动想象（MI）信号的分类中。但是,很多传统的方法只是利用隐马尔科夫模型描述信号的动态特性,再根据观测数据求得模型参数,然后进行信号分类。由于脑电信号低信噪比、高维数和状态复杂的特点,在研究中先用分层Dirichlet 过程（HDP）描述MI信号,利用HDP自聚类特性,然后使用AR模型描述MI信号的时间特性,最后结合马尔科夫切换过程（MSP）描述MI信号的动态特性,以此来充分地描述MI信号。随后对实验室采集的数据和2003年BCI国际大赛的部分数据,使用HDP AR HMM模型对MI信号分类,获得很好的分类效果,准确率分别是9900%、9200%和7246%。实验结果表明,所提出的方法可以取得更好的运动想象信号分类。     

Wavelet Based Filters for Artifact Elimination in Electroencephalography Signal: A Review

Electroencephalography (EEG) is a diagnostic test that records and measures the electrical activity of the human brain. Research investigating human behaviors and conditions using EEG has increased from year to year. Therefore, an efficient approach is vital to process the EEG dataset to improve the output signal quality. The wavelet is one of the well-known approaches for processing the EEG signal in time–frequency domain analysis. The wavelet is better than the traditional Fourier Transform because it has good time–frequency localized properties and multi-resolution analysis where the transient information of an EEG signal can be extracted efficiently. Thus, this review article aims to comprehensively describe the application of the wavelet method in denoising the EEG signal based on recent research. This review begins with a brief overview of the basic theory and characteristics of EEG and the wavelet transform method. Then, several wavelet-based methods commonly applied in EEG dataset denoising are described and a considerable number of the latest published EEG research works with wavelet applications are reviewed. Besides, the challenges that exist in current EEG-based wavelet method research are discussed. Finally, alternative solutions to mitigate the issues are recommended.

     

Deep learning approach to detect seizure using reconstructed phase space images

Epilepsy is a chronic neurological disorder that affects the function of the brain in people of all ages. It manifests in the electroencephalogram (EEG) signal which records the electrical activity of the brain. Various image processing, signal processing, and machine-learning based techniques are employed to analyze epilepsy, using spatial and temporal features. The nervous system that generates the EEG signal is considered nonlinear and the EEG signals exhibit chaotic behavior. In order to capture these nonlinear dynamics, we use reconstructed phase space (RPS) representation of the signal. Earlier studies have primarily addressed seizure detection as a binary classification (normal vs. ictal) problem and rarely as a ternary class (normal vs. interictal vs. ictal) problem. We employ transfer learning on a pre-trained deep neural network model and retrain it using RPS images of the EEG signal. The classification accuracy of the model for the binary classes is (98.5±1.5)% and (95±2)% for the ternary classes. The performance of the convolution neural network (CNN) model is better than the other existing statistical approach for all performance indicators such as accuracy, sensitivity, and specificity. The result of the proposed approach shows the prospect of employing RPS images with CNN for predicting epileptic seizures.     

脑电分析在认知研究中的进展

通过脑电分析来认识脑的活动是一种有效的无创手段。近年来,随着认知科学研究的逐渐升温,将脑电信号分析应用于认知研究成为重要的手段之一。本文在对脑电信号处理方法以及认知研究现状等综述的基础上,重点介绍了脑电分析在认知研究中进展状况。文章指出由于EEG良好的时间分辨率等特性,深入研究EEG对于了解认知和思维过程、揭示大脑工作机理具有重要意义。     

混沌关联维数在人脑状态区分中的应用

随着信号处理技术的发展,人们对脑电信号的计算和分析日益深入,以期进一步理解和认知大脑的功能。研究人脑在不同状态下的脑电信息,可以进一步揭示各种状态对于脑活动和脑电的影响。近年来,灰色理论和混沌理论的研究广泛应用于信号处理领域。根据脑电信号自身的特点,提出一种结合灰色建模理论和混沌理论关联维数的人脑状态识别新方法。首先对脑电数据进行灰色建模,然后对所得到的模型参数进行关联维数的计算,从而对人脑的状态进行区分。当取16 000点脑电数据计算关联维数时,传统G-P算法用于计算关联维数的数据点数是本方法的8倍。在计算时间上,传统G-P算法用时145.5 s,而本方法用时9.2 s。结果表明,本方法能够减少计算数据量,进而缩短运算时间。由于不同状态脑电信号的较大特征值非常接近,所以奇异谱与不同状态脑电信号的关联维数相比,关联维数可以更好地区分人脑的状态。     

Pattern Recognition of EEG Signals and Applications in Robotics

With the rapid development of brain computer interface (simply called BCI),electroencephalography (EEG) will be another interesting bio-electrical signal applied in robotics after EMG.In order to realize it finally,the accurate measurement and pattern recognition of EEG signal must be a very important and elementary research objective.Based on our current researches and some reports from the other international colleagues in the field,we deeply discuss the basic characteristics of EEG signal,the development and selection of EEG measurement system,feature extraction and recognition methods of EEG signal,and then review EEG‘s applications in robotics as well as the future research trends in this paper.     

空间滤波方法在脑-机接口中的应用及研究进展

随着脑-机接口技术的不断发展,通过优化数据处理算法来提高脑-机接口系统的分类正确率已成为研究热点。近年在多种脑-机接口范式中都发现空间滤波能够提高脑电信号的信噪比并优化特征提取,从而提升脑-机接口系统的分类正确率。空间滤波在基于脑电的脑-机接口中正日趋凸显其重要应用价值。综述脑-机接口中的脑电信号处理常用的空间滤波方法,包括基本空间滤波器、用于脑电预处理及特征降维的空间滤波器,以及基于诱发节律和诱发电位的脑-机接口中用于特征提取的空间滤波器,并阐述各类空间滤波方法的基本原理、构建方法及相关研究成果。最后归纳目前存在的问题并对发展趋势进行展望。     

小波分析在医学中的应用

小波分析方法是一种新的信号分析方法 ,由于其具有多分辨分析的特点 ,能较好地突出信号局部特征 ,在微弱、背景噪声较强的随机信号分析中具有重要的意义。本文综述了这一新方法在诸如 EEG、EP、ECG、医学图像等生物医学信号中的广泛应用 ,并对各自效果进行了分析。最后 ,对小波变换在生物医学信号处理中的发展作了展望。     

独立分量分析技术在EEG工频干扰分离中的应用

工频干扰是脑电图(EEG)中常见噪声，严重影响EEG-信号的提取和分析。通过比较Fastica、Extended Infomax、EGLD、Pearson—ICA等四种独立分量分析(ICA)算法和奇异值分解(SVD)技术用于分离EEG中工频干扰的效果，确证ICA方法有很好的抗干扰性，而常用的SVD技术则难以奏效；其中推广的最大熵(Extended Info—max)ICA算法有较好的收敛性，文中使用该算法成功地从16导联早老性痴呆症患者EEG信号中(含混入的工频干扰，最低信噪比约为0dB)分离出工频干扰。ICA在生物医学信号处理特别是临床医学工程中潜在着重要应用前景和研究价值。