针对快速序列视觉呈现脑电信号的时空混合特征提取方法

快速序列视觉呈现脑机接口(RSVP-BCI)是目前基于人脑对目标进行早期发现任务中最为常用的技术,该技术能够获取人脑对环境的快速感知。脑电信号(EEG)具有非平稳和信噪比较低的特点,因此在单次试验中准确解码大脑活动较为困难。为解决RSVP-BCI技术中单次试验分类准确率不高的问题,本文提出一种基于时空域混合特征提取的新方法。该方法充分考虑大脑活动的时空模式,分别在时域和空域采用主成分分析(PCA)和共空间模式(CSP)对EEG信号进行特征提取,构成时空混合CSP-PCA(STHCP)方法,通过时域、空域两次特征提取最大化目标类与非目标类之间的判别距离,有效地降低特征维数。STHCP的单试次解码曲线下面积(AUC)较三种基准算法[空间加权费希尔(Fisher)线性判决-PCA(SWFP)、CSP及PCA算法]分别提高了17.9%、22.2%及29.2%,为利用RSVP-BCI技术进行快速高效的目标检测提供了新方法。     

基于动态偏定向相干的运动想象因效性网络分析

利用脑网络对脑功能机制和脑认知状态进行基础研究具有重要的意义。本文依据一种测量头皮脑电信号(EEG)的时间-频率域相互作用的方法,即偏定向相干(PDC),提出了动态PDC(dPDC)算法对运动想象的因效性网络建模。研究利用2008年第四届BCI竞赛数据的9个被试计算了不同运动想象任务下因效性网络的参数特征(出入度、集群系数、离心率等),通过显著性检验分析了左、右手运动想象在不同脑区EEG信号的交互影响。结果表明,左右手想象任务的网络集群系数大于随机网络,且特征路径长度与随机网络近似,验证了该网络的小世界特性。对左、右手运动想象的网络特征参数的分析对比,验证了两种任务部分特征具有显著差异,如:针对出度的统计分析表明,在ROI2(P=0.007)和ROI3(P=0.002)区域具有显著差异。基于dPDC算法的因效性网络对运动想象脑区间信息流变化的分析表明,左、右手运动想象的活动区域主要位于左右侧中央前回(ROI2和ROI3)和左右侧中央枕区(ROI5和ROI6)。因此,基于dPDC的因效性网络可以有效表征运动想象的状态,为研究提供了新的手段。