基于思维脑电信号的假手的研究

本文主要研究利用思维脑电信号来控制假手动作。采用小波变换对思维脑电信号进行分解,选取合适的子带信号并提取相应能量特征,组成特征向量输入BP神经网络进行分类识别。整个信号处理过程在LabVIEW软件平台上实现,并利用其串口通信模块输出控制指令来控制假手的张开和闭合。     

基于思维脑电信号的假手的研究

本文主要研究利用思维脑电信号来控制假手动作。采用小波变换对思维脑电信号进行分解，选取合适的子带信号并提取相应能量特征，组成特征向量输入BP神经网络进行分类识别。整个信号处理过程在Lab VIEW软件平台上实现，并利用其串口通信模块输出控制指令来控制假手的张开和闭合。     

基于小波变换和BP神经网络的视觉诱发电位识别

结合小波变换和BP神经网络对视觉诱发脑电信号（VEP）进行分类而产生脑机接口控制信号。利用一维离散小波变换提取强噪声背景下的低频微弱脑电信号，获取特征向量输入BP神经网络进行事件相关电位模式识别。实验表明，小波变换特征向量提取方法能有效地实现信号的去噪、降维和特征提取，BP神经网络能比较准确地从VEP中识别出事件相关电位，进行10次测试的平均识别正确率为99．375％，有利于产生脑机接口控制信号。     

基于多尺度主元分析的表面肌电信号模式分类

用基于小波变换的多尺度主元分析提取表面肌电信号特征,然后用贝叶斯分类器进行模式分类。实验结果显示,当选用Harr小波和bior2．6小波对肌电信号进行5层小波分解时．该方法对前臂6种动作模式（内翻,外翻．握拳．展拳．上切和下切）的正确识别率可以达到99.44％。研究表明,该方法优于基于小波系数统计特征和主元分析降维相结合的特征提取方法．能成功识别出多种动作模式。     

基于运动想象的脑电信号特征提取与分类

目的：以在已知类别的2种运动想象任务下采集的EEG信号为训练样本,识别测试样本中的运动想象任务。方法：在频域范围内,采用AR模型功率谱估计法所得C3、C4通道的功率谱密度,确定ERD/ERS较明显的频率范围;在时域范围内,比较C3、C4通道信号的能量差异,确定ERD/ERS较明显的时间段。采用带通滤波和小波包分析的方法提取训练集想象运动过程中ERD/ERS生理现象较明显的节律信号,分别采用线性分类器、支持向量机（SVM）实现测试集运动想象脑电数据的分类。结果：分类最佳正确率为87.14%。结论：小波包分析法能够较准确地提取想象左、右手运动的脑电信号的本质特征,结合支持向量机实现较好的抗干扰能力和分类性能。     

事件相关电位特征提取方法研究

事件相关电位特征提取分析在大脑认知的神经生理基础和临床应用研究中起着重要的作用。基于事件相关电位特征分布的先验知识,提出了一种结合小波多尺度分辨和径向基神经网络进行事件相关电位提取的方法。应用径向基神经网络从脑电信号的小波多尺度分解系数中提取与低频响应相关的成分,实施重构完成事件相关电位特征提取。结果表明该方法具有较强的稳健性。     

脑-机接口驱动神经义肢手系统的研究

本文针对现代医疗手段还无法使上臂再生的问题,深入分析了人手动作脑电信号的特点,研究了面向义肢手控制的手动作脑电小波特征提取和BP神经网络模式识别方法,开发研制了一个基于BCI（Brain-Computer Interface,简称BCI）驱动的神经义肢手驱动控制系统,并用该系统完成了义肢手四种动作（手臂自由状态、手臂移动、手抓取、手张开）的驱动。经过多次在线及离线实验,结果表明：基于脑-机接口驱动的神经义肢手系统是合理可行的,所采用的脑电信号小波特征提取方法和BP神经网络模式识别方法是有效的。     

探讨通道对视觉诱发电位单次提取精度的影响

采用“模拟自然阅读”诱发电位作为脑-机接口通信载体,结合小波变换和误差逆传播（ErrorBackPropagation,HIJBP）神经网络对视觉诱发脑电信号（VEP）进行分类以产生脑机接口控制信号。将被试者4个通道记录到的脑电信号分别作为特征,信号时程都为300ms,时段分别取100ms~400ms、200ms-500ms和300ms~600ms。试验结果表明四个单通道都达到较好的分类效果,有利于产生脑机接口控制信号。     

基于小波包和神经网络的血细胞识别方法的研究

根据血细胞信号的特点,提出了一种基于小波包分析和神经网络的血细胞识别方法。该方法首先对血细胞信号进行小波包分解,然后对分解系数进行重构,求得重构信号的能量;然后选取三个能量特征并结合7个时域特征参数构造成特征向量,作为神经网络的输入;最后建立神经网络模型进行训练。实验分析了不同条件下的信号识别情况,结果表明该方法识别效果较好。     

用LM算法改进的BP网络在表面肌电信号识别中的应用研究

提出用Levenberg-Marquardt算法改进BP神经网络识别表面肌电信号的方法.采用多尺度小波变换对肌电信号进行分析,提取各尺度下小波系数幅值的最大和最小值构造特征矢量,输入BP神经网络可进行模式识别,经过训练能够成功地从表面肌电信号中识别展拳、握拳、前臂内旋、前臂外旋四种运动模式.实验表明,LM算法在响应时间和识别精度上都比标准的BP算法有了很大提高.     

基于希尔伯特-黄变换和提升小波包相结合的心音信号识别研究

目的：研究基于希尔伯特-黄变换和提升小波包相结合的方法对正常和异常心音信号识别的效果。方法：首先用DB6小波对心音信号进行降噪处理,然后用希尔伯特-黄变换分析提取心音信号的时域、频域特征值,再通过自适应提升小波包提取信号的频带能量特征值,最后通过支持向量机对心音信号进行分类识别。结果：对临床采集的240例异常心音和正常心音进行实验,正确识别率达到97.2%,且运算速度很快。结论：希尔伯特-黄变换和自适应提升小波包相结合的方法可有效识别正常和各种异常的心音信号,值得推广应用。     

脑电节律提取的小波变换方法

脑电（EEG）信号是种基本的人体生理信号．具有极其重要的临床和科研价值。为了提取脑电节律．提出一种基于小波变换的方法。这种方法使用Daubechies正交小波基．首先把EEG信号在其上进行多尺度分解．在某些尺度上对干扰信号进行消除．然后提取动态脑电节律。此方法不仅可以有效的消除脉冲干扰．而且能够很好地对脑电基本节律信号进行提取。     

基于模糊小波包和决策树的表面肌电信号分类研究

提出了用模糊小渡包提取表面肌电信号特征，并且用C4．5决策树分类器对信号进行分类的方法。通过对4类不同的动作肌电信号进行分类，验证了该方法的有效性和高识别率。     

基于共同空间模式和支持向量机的脑–机接口信号分类

在脑-机接口(BCI)研究中一个关键问题是准确地对EEG信号进行特征提取和模式分类,以得到人机通信与控制命令。经过对非靶刺激和靶刺激下诱发的EEG进行去均值、低通滤波、下采样等处理后,利用共同空间模式算法对所采集到的EEG数据进行特征提取,然后通过网格搜索法获取最优分类参数的情况下,利用基于径向基函数的支持向量机设计分类器。通过对3名受试者的实验数据进行各10次的处理后得到较好的分类效果,平均分类准确率为99.2%。实验结果表明,本文的方法适合于基于"模拟阅读"的脑-机接口中。     

Multi-class EEG classification of motor imagery signal by finding optimal time segments and features using SNR-based mutual information

The electroencephalogram signals are used to distinguish different motor imagery tasks in brain–computer interfaces. In most studies, in order to classify the EEG signals recorded in a cue-guided BCI paradigm, time segments for feature extraction after the onset of the visual cue were selected manually. In addition, in these studies the authors have selected a single identical time segment for different subjects. The present study emphasized on the inter-individual variability and difference between different motor imagery tasks as the potential source of erroneous results and used mutual information and the subject specific time interval to overcome this problem. More specifically, a new method was proposed to automatically find the best subject specific time intervals for the classification of four-class motor imagery tasks by using MI between the BCI input and output. Moreover, the signal-to-noise ratio was used to calculate the MI values, while the MI values were used as feature selection criteria to select the discriminative features. The time segments and the best discriminative features were found by using training data and used to assess the evaluation data. Furthermore, the CSP algorithm was used to extract signal features. The dataset 2A of BCI competition IV used in this study consisted of four different motor imagery signals, which were obtained from nine different subjects. One Vs One decomposition scheme was used to deal with the multi-class nature of the problem. The MI values showed that the obtained time segments not only varied between different subjects but also varied between different classifiers of different pair of classes. Finally, the results suggested that the proposed method was efficient in classifying multi-class motor imagery signals as compared to other classification strategies proposed by the other studies.     

脑-机接口系统工作原理综述

分析了脑-机接口系统的研究现状，简述了系统的基本结构及其基本工作原理，归纳了系统信号采集、特征提取、选择分类3个部分的主要的技术处理方法，详细介绍了特征提取和选择分类的最新分析方法及存在缺陷，分析了脑-机接口系统存在的问题。指出了小波变换及小波包分解在特征提取上的巨大优势，神经网络分析在选择分类中广阔的应用前景。     

基于经验模态分解的脉搏波特征提取

目的：提取脉搏波上升支起点（u）和降支切迹（DN）特征点,计算左室射血时间（LVET）。方法：通过经验模态分解、对含噪的脉搏波进行去噪处理,选取重复出现的特殊波形,且该波数与脉搏波周期出现的次数大致相同的经验模态分解分量,利用幅值判据和多次试验经验相结合的方法,获得脉搏波的时域特征点。结果：经分析对比几种去噪方法发现,经验模态分解去噪具有高信噪比特点,其分量可以准确定位脉搏波相应的特征点。结论：经验模态分解可应用于脉搏波处理,实现去噪和特征点提取。     

小波包变换特征提取与表面肌电分类

针对表面肌电(SEMG)的非平稳特性，提出采用小波包变换方法对其进行分类。分析了特征提取方法并采用小波包变换各频段能量构造特征矢量，经过学习矢量量化神经网络训练能够有效地从伸肌和屈肌采集的两道肌电信号中识别伸拳，展拳，腕内旋，腕外旋4种运动模式，平均识别率为94．5％。与其它时频分析方法比较，该方法不仅识别率高，鲁棒性好，也为其他非平稳生理信号分析提供了新手段。