一种运动想象脑电分类算法的研究

为了解决脑机接口(BCI)中不同意识任务下脑电信号分类问题,针对运动想象脑电(EEG)的事件相关去同步/同步(ERD/ERS)现象,提出一种基于支持向量机(SVM)的实用分类算法。该算法首先对脑电信号进行滤波,获得对运动想象比较敏感的频段,对滤波后的脑电信号,通过去均值减小由于均值不同所造成的误差,然后,再提取基于ERD/ERS的脑电能量场强特征,对提取的特征,运用支持向量机(SVM)进行分类,得到了满意的效果。结果表明,此方法可为脑机接口技术的应用提供有效的手段。     

运动想象脑电的ERD/ERS分析

脑电信号所包含的频率分量及其变化规律是脑-计算机接口(brain- computer interface,BCI)研究的关键之一.事件相关去同步(event- ralated desynchronization,ERD)/同步现象(event- related synchronization,ERS)则是确定EEG频带的基本方法.本文在事件相关现象的神经生理学原理的基础上,利用传统计算方法,提出简单而有效的ERD/ERS波形的拓扑图法;并且对比应用基于匹配追踪法的分解参数,采用平均时间-频率能量分布图的方法,研究ERD/ERS规律.分析实际运动想象脑电MI-EEG时,两种方法的结论可以互相验证,也体现了各自的优点.     

基于ERD/ERS脑电信号的智能化功能电刺激系统的设计

设计一套基于事件相关同步电位(Event related desynchron ization,ERD)和事件相关去同步电位(Event related synchronization,ERS)脑电信号反馈控制功能电刺激仪系统。当大脑想象残肢运动中,出现ERD/ERS脑电信号,经过特征提取和特征分类转换为控制命令去触发功能电刺激系统,实现对相应残肢的电刺激。实验结果成功实现了对残肢的电刺激。     

基于脑电复杂度的意识任务的特征提取与分类

本研究提出了利用事件相关脑电复杂度提取大脑运动意识特征，应用Mahalanobis距离判别式分析法，对人脑想象左右手运动任务进行分类，获得了满意的结果。对受试者想象左右手运动期间在大脑初级感觉运动皮层区记录的脑电信号采用复杂度分析方法量化了事件相关去同步（ERD）和事件相关同步（ERS）时程，结果表明EEG复杂度特征较好反映了ERD／ERS变化时程。最后对测试数据进行分类，最大分类正确率达到86．43％，通过最大分类正确率，最大信噪比，最大互信息等评价指标比较，验证了该方法的有效性，从而为大脑运动意识任务的特征提取及分类提供了新思路。     

基于改进CSP算法的运动想象脑电信号识别方法

针对想象运动的脑机接口(BCI)系统中,在电极导联数少的情况下存在脑电信号分类准确率降低的问题,提出一种改进共同空间模式(CSP)算法. 通过对事件相关去同步(ERD)/事件相关同步(ERS)生理现象较明显的频段进行滤波, 选取最大特征值对应的表征运动想象脑电信号状态的最优特征向量,进而提出特征向量新的定义方法,同时与支持向量机(SVM)相结合,实现运动想象脑电数据的分类.对于GRAZ大学提供的运动想象脑电数据(Data Ⅲ),想象左手运动脑电信号的识别准确率为98.57%.想象右手运动的脑电识别率为100%.实验结果表明,改进的CSP算法更准确地反映脑电信号的任务状态,有效避免了特征模式的重复选取问题,具有更优的分类性能.     

主被动手臂动作的EEG和sEMG特征比较研究

目的：研究人在主动进行肢体运动时脑电（electroencephalogram,EEG）和肢体表面肌电（surface electromyogram,sEMG）信号特征,并与其被动受迫产生相同肢体动作模式时EEG和sEMG信号特征做比较,探讨两者在激活大脑运动皮层神经和产生外周神经-肌肉活动时的不同作用特点与效应,对于了解运动传导通路的功能状态有重要的临床价值,也可为研究开发脑卒中康复治疗新技术提供科学依据.方法：本文主要设计了自主和被动屈腕动作两种实验范式并建立了一套完整的软、硬件系统（LabVIEW软件,DAQ采集卡和视觉反馈系统）进行试验.招募9名被试者（4男,5女）进行了主动和被动屈腕实验,同步采集了被试者EEG和sEMG数据.结果：被动与主动屈腕动作情况下EEG时频变化和平均EMG信号包络幅度的变化及其信号功率谱变化特征趋势大致类似;被动与主动肢体动作事件一样会诱发事件相关去同步（event related de-synchronization,ERD）现象,即证明被动动作下大脑皮层运动区与外周神经系统均能被相应激活,且能够产生联系;被动与主动屈腕时脑-肌电信号频域相干性相似,且被动情况下屈肌EMG与C3脑区EEG信号的相干性幅值比自主动作时增强.这可能是由于被迫动作时会诱发想象动作,从而能增强相应脑区神经元被激发程度.结论：本文结果可支持重复被动肢体运动康复训练的临床实践,并为相关研究提供科学依据.     

基于小波方差的ECoG分类EI北大核心CSCD

针对典型的基于皮层脑电图(ECoG)的脑-机接口(BCI)设计,被试任务为想象左手小指和想象舌头运动,提出了采用小波方差的特征提取方法。首先在小波变换的基础上,提出小波方差的计算方法及其意义,并以此作为特征,从64导联中获取特征较为明显的6个导联进行分析;然后对脑电(EEG)数据进行三层小波分解,根据ERD/ERS现象,提取包含Mu节律和Beta节律的小波系数方差作为特征,采用交叉验证的方法,利用classify进行线性分类。离线分析表明,对训练集和测试集的分类正确率达到90.24%和93.77%,小波方差作为BCI研究中特征提取的方法具有更加简单和有效的特性。     

左右手运动想象脑电模式的识别

想象左 (右 )手运动和实际做这个运动会以同样的方式改变大脑主要感觉运动区域的神经活动 ,引起脑电相关频率成分的特征变化 ,如事件相关同步 /去同步。及时有效地提取和识别这些与运动想象相关的脑电模式可以帮助严重瘫痪病人控制光标或辅助运动设备以替代其受损的运动功能 ,建立一种与外界交流沟通的新途径。本文介绍了左右手运动想象的实验方法 ,综述了辩别左右手运动想象脑电模式的算法 ,并对其发展前景做一展望。     

多变量自回归和多线性主成分分析结合的多通道信号特征提取研究

脑机接口(BCI)系统通过从脑信号中提取特征对其进行识别。针对自回归模型特征提取方法和传统主成分分析降维方法处理多通道信号的局限性,本文提出了多变量自回归(MVAR)模型和多线性主成分分析(MPCA)结合的多通道特征提取方法,并用于脑磁图/脑电图(MEG/EEG)信号识别。首先计算MEG/EEG信号的MVAR模型的系数矩阵,然后采用MPCA对系数矩阵进行降维,最后使用线性判别分析分类器对脑信号分类。创新在于将传统单通道特征提取方法扩展到多通道。选用BCI竞赛IV数据集3和1数据进行实验验证,两组实验结果表明MVAR和MPCA结合的特征提取方法处理多通道信号是可行的。     

基于脑电信号神经反馈控制智能小车的研究

为了提高基于运动想象(MI)的脑控智能小车的控制性能,本文提出一种基于脑电(EEG)信号神经反馈(NF)控制智能小车的方法。采用MI心理策略,通过实时呈现该心理活动相关EEG信号特征的能量柱形图给受试者,训练受试者快速掌握MI技能并调节其EEG信号的活动,并以MI多特征融合和多分类器决策相结合的方法,从而在线脑控智能小车。训练组(试验前接受设计的反馈系统训练)取得平均、最高和最低的识别指令准确率分别为85.71%、90.47%和76.19%,对照组(不接受训练)对应的准确率分别为73.32%、80.95%和66.67%;训练组平均、最长和最短用时分别为92 s、101 s和85 s,对照组对应的用时分别为115.7 s、120 s和110 s。通过以上试验研究结果,期望本文可为后续基于MI的EEG信号NF控制智能机器人的开发提供新的思路。     

想象动作中动态脑电的信息熵研究

想象动作可以引起脑电信号的特异性变化，如何通过提取脑电特征参数来识别想象动作的发生是目前脑-计算机接口（BCI）系统设计的技术关键之一。本研究使用两种信息熵（功率谱熵和小波熵）作为特征参数，对手部想象动作执行前后的动态脑电信号进行分析，并与目前常用的mu节律事件相关去同步（ERD）参数进行比较，以寻找特异性更强的动态参数。结果显示在想象动作对侧的运动感觉区域中，功率谱熵和小波熵均表现出与mu节律强度变化具有明显锁时关系的改变，且区分错误率得到明显降低。而在中顶部位置mu节律强度无明显变化处，熵参数对左右手想象动作的响应也具有明显的不同。结论，功率谱熵和小波熵具有良好的时域分辨能力和更准确的区分效果，可以作为特征参数用于在线BCI系统。     

基于连续小波变换和支持向量机的手动想象脑电分类

对左右手运动想象脑电信号进行准确分类是脑-机接口（BCI）研究领域的重要问题。本文利用连续小波变换（CWT）提取脑电信号中相应的手动想象特征信号，并通过支持向量机（SVM）对特征信号进行分类，取得了较好的分类效果，然后经过分析SVM的学习算法，讨论了对于SVM的分类有着关键影响的时间成分，反映出传统的ERD／ERS计算方法可能出现的问题。     

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.     

脑-机接口:大脑对外信息交流的新途径

基于脑电(EEG)的脑-机接口(BCI)是在人脑和计算机或其它电子设备之间建立不依赖于常规大脑信息输出通路(外周神经和肌肉组织)的全新对外信息交流和控制技术,概述了基于EEG的BCI技术的科学意义与应用前景,并介绍了BCI主要研究方法和类型。     

基于认知脑区的脑-机接口技术及其在康复中的应用研究进展

脑-机接口(BCI)技术通过解码大脑信号可实现人类和外部设备的交互,近年来取得了一些重要的突破,但其应用推广目前还存在许多障碍。当前常见的BCI控制信号一般来源于与感觉运动相关的脑区,这些信号仅能反映肢体运动意图的有限部分。因此,需要探索更多可用于控制BCI系统的脑信号源。基于认知脑区的脑信号具有更加直观、有效的特点,可作为拓展脑BCI信号源的新途径。本文综述了基于单一脑区和多脑区混合的认知BCI的研究现状,并归纳了其在康复医学领域的应用研究,以期将基于认知的BCI技术作为未来BCI康复应用的突破口。     

面向运动意图解码的共空间模式及其扩展算法研究综述

运动想象脑-机接口(MI-BCI)在人体运动功能康复、替代、增强等方面具有重要研究意义与应用价值。共空间模式(CSP)算法旨在增强MI诱导头皮脑电(EEG)特征的差异性,是当前使用最广泛的MI范式特征提取算法之一。但因其未考虑EEG的时、频域等信息,且对噪声和偏离值敏感,导致分类器识别性能有限、鲁棒性低。回顾CSP及其扩展算法的发展历程,从多模态信息优化、正则优化以及其他空间映射优化方法等三方面详细介绍相关扩展算法的基本原理和关键步骤,并探讨其实际面临的挑战和预测其未来发展趋势,以期促进相关BCI技术的深入研究与开发应用。     

基于多通道经验模式分解的脑机接口特征提取

针对脑机接口(BCI)系统中的多通道非平稳脑电(EEG)信号和脑磁(MEG)信号,本文提出一种基于多通道经验模式分解(MEMD)与功率特征结合的信号特征提取算法。首先将多通道脑信号经MEMD算法分解为一系列多尺度多元固有模态函数(IMF)近似平稳分量,然后对每个IMF分量提取功率特征,并利用主成分分析(PCA)降维处理,最后使用线性判别分析分类器对信号特征分类。实验采用第三次和第四次国际BCI竞赛的数据进行验证,对皮层EEG信号和MEG信号运动想象任务的识别正确率分别达到92.0%和46.2%,均位于竞赛第一名水平。实验结果表明本文所提方法有较好有效性和稳定性,为脑信号特征提取提供了新思路。     

基于时-频-空间域的运动想象脑电信号特征提取方法研究

脑机接口(BCI)是在人或动物脑与外部设备间建立的直接连接通路,信号分析功能模块是其核心部分,其中特征提取算法的效果如何是脑电图(EEG)信号分析算法的关键。EEG信号本身信噪比低,传统的EEG特征提取方法存在着缺少空间信息,需要的特征量个数较多,分类正确率低等不足。针对以上问题,本文提出了一种基于小波和独立分量分析(ICA)的时间-频率-空间EEG特征的提取方法,分别用离散小波变换(DWT)和ICA提取时频域特征和空域特征。并用支持向量机(SVM)和遗传算法(GA)相结合的方法对提取的特征进行分类。实验对比结果表明,所提出的方法有效地克服了传统的时频特征提取方法空间信息描述不足等问题,对于2003年BCI竞赛数据datasetⅢ分析,最高分类正确率为90.71%。     

脑机接口中多线性主成分分析的张量特征提取

脑机接口(BCI)可以直接通过脑电(EEG)信号控制外部设备。本文针对传统主成分分析(PCA)和二维主成分分析(2DPCA)处理多通道EEG信号的局限性,提出了多线性主成分分析(MPCA)的张量特征提取和分类框架。首先生成张量EEG数据,然后进行张量降维并提取特征,最后用Fisher线性判别分析分类器进行分类。实验中将新方法应用到BCI competitionⅡ数据集4和BCI competitionⅣ数据集3,分别使用了EEG数据的时空二阶张量表示形式和时空频三阶张量表示形式,通过对可调参数多次调试,取得了高于其它同类降维方法的最佳结果。二阶输入最高正确率分别达到81.0%和40.1%,三阶输入分别达到76.0%和43.5%。     

独立式脑--计算机接口的离线实验及分析

设计两个实验以研究自主运动的事件相关去同步模式的特征。实验一：要求未经训练的被试者在提示出现后开始想像用食指按键的动作，并在1s后实际按键；实验二：作为参照，要求被试者对提示立即反应，使动作想像的时间尽量缩短。通过分析提示与实际动作之间的自发脑电信号，预测被试者用左手或右手按键。在实验一的连续测试中，预测率随测试进行由85％下降到71％；而实验二的预测率近乎随机猜测。结果表明：（1）运动想像的有效持续时间对事件相关去同步模式有显著影响；（2）被试者有效动作想像时间的不自觉地缩短会导致预测率的明显下降。如何保证被试者的有效动作想像时间是后续实验设计中应该重视的问题。