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。     

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。     

改进的BP算法在表面肌电信号识别中的应用

针对肌电信号的非平稳特性,采用小波变换方法对表面肌电信号进行分析,提取小波系数幅值的最大和最小值构造特征向量,输入BP神经网络可进行模式识别,网络经过学习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4种运动模式。比较了标准的BP算法和用贝叶斯正则化与Levenberg-Marquardt算法相结合的改进BP网络训练的结果。实验表明,改进的BP网络在训练速度和识别精度上都比标准的BP算法有了很大提高,这对于肌电假肢的控制具有良好的应用前景。     

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.     

基于能量法的脑机接口运动想象分类研究

针对脑机接口运动想象脑电信号的分类识别问题,提出了一种基于小波包分解的C3、C4二通道能量特征提取方法。该方法首先采用6阶的巴特沃斯带通滤波对二通道脑电信号进行降噪;然后采用Daubechies类小波函数对其进行5层分解,选择第四层CD4、第五层CD5的小波系数进行重构并抽取其能量特征;最后采用线性距离判别进行分类和使用Kappa系数进行分类衡量。利用BCI2008竞赛的标准数据BCICIV_2b_gdf进行验证,结果表明利用该方法可以较好地反映事件相关同步和事件相关去同步的特征,为BCI研究中事件相关电位的分类识别提供了有效的手段。     

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。     

小波分析在脑电信号处理中的应用

脑电（EEG）信号是一种产生机理相当复杂的人体生理信号,具有重要的科学研究和临床诊断价值.本文针对脑电信号非平稳性特点,利用小波变换的方法实现了对采集到的脑电信号进行滤波处理;利用小波包分析的方法实现了对脑电节律（δ、θ、α、β）的提取及对脑电的功率谱分析.     

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。     

小波分析原理及在脑电图中的应用

小波变换是一种时/频域的分析方法,它将时域的一维信号变换至时间—尺度的二维空间。小波分析的一个重要特点就是具有良好的时频局部化性质,对于处理时变信号具有独特的优越性。而医学信号如脑电信号就是非稳态的时变信号,特别是许多疾病的信号如癫痫的脑电信号就是一种突变的信号。利用小波分析,分离出有关信号,减少诱发、长期监护等手段来获得特征波的方法,能方便、快速的提取有关信号,作为癫痫诊断的辅助方法。     

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。     

中潜伏期听觉诱发电位的提取与识别研究

目的：通过小波变换模极大值和人工神经网络对中潜伏期听觉诱发电位进行提取与识别,判断患者处于的麻醉深度。方法：利用信号和噪声在分解尺度上的不同特性来滤除中潜伏期听觉诱发电位中的强噪声成分。经过模极大值处理后,小波系数在每个尺度上只剩下有限个模极大值点。通过Mallat交替投影算法,根据这些模极大值点重构出中潜伏期听觉诱发电位。在此基础上,根据中潜伏期听觉诱发电位与麻醉深度之间的对应关系,建立适用于麻醉深度监测的BP（back propagation）神经网络模型。结果：通过小波变换模极大值提取后,中潜伏期听觉诱发电位的信噪比由-15.43~0 dB提升到10.05~20.18 dB,基本恢复了原始信号;麻醉深度监测的BP神经网络模型测试集精确度分别为90%和100%。约登指数和Kappa值均为0.900 0,大于0.75。该模型对中潜伏期听觉诱发电位具有良好的识别能力。结论：小波变换模极大值提取可以有效地去除信号中的强噪成分,还原信号;麻醉深度监测的BP神经网络模型对中潜伏期听觉诱发电位与麻醉深度之间的关系具有良好的识别性。     

The application of wavelet and feature vectors to ECG signals

The Electrocardiogram (ECG) is one of the most commonly known biological signals. Traditionally ECG recordings are analysed in the time-domain by skilled physicians. However, pathological conditions may not always be obvious in the original time-domain signal. Fourier analysis provides frequency information but has the disadvantage that time characteristics will be lost. Wavelet analysis, which provides both time and frequency information, can overcome this limitation. Here a new method, the combination of wavelet analysis and feature vectors, is applied with the intent to investigate its suitability as a diagnostic tool. ECG signals with normal and abnormal beats were examined. There were two stages in analysing ECG signals: feature extraction and feature classification. To extract features from ECG signals, wavelet decomposition was first applied and feature vectors of normalised energy and entropy were constructed. These feature vectors were used to classify signals. The results showed that normal beats and abnormal beats composed different clusters in most cases. In conclusion, the combination of wavelet transform and feature vectors has shown potential in detecting abnormalities in an ECG recording. It was also found that normalised energy and entropy are features, which are suitable for classification of ECG signals.     

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。     

Spectral feature extraction of EEG signals and pattern recognition during mental tasks of 2-D cursor movements for BCI using SVM and ANN

Brain computer interface (BCI) is a new communication way between man and machine. It identifies mental task patterns stored in electroencephalogram (EEG). So, it extracts brain electrical activities recorded by EEG and transforms them machine control commands. The main goal of BCI is to make available assistive environmental devices for paralyzed people such as computers and makes their life easier. This study deals with feature extraction and mental task pattern recognition on 2-D cursor control from EEG as offline analysis approach. The hemispherical power density changes are computed and compared on alpha–beta frequency bands with only mental imagination of cursor movements. First of all, power spectral density (PSD) features of EEG signals are extracted and high dimensional data reduced by principle component analysis (PCA) and independent component analysis (ICA) which are statistical algorithms. In the last stage, all features are classified with two types of support vector machine (SVM) which are linear and least squares (LS-SVM) and three different artificial neural network (ANN) structures which are learning vector quantization (LVQ), multilayer neural network (MLNN) and probabilistic neural network (PNN) and mental task patterns are successfully identified via k-fold cross validation technique.