基于通道注意力和稀疏时频分解的运动想象分类EI北大核心CSCD

运动想象脑电信号是低信噪比的非平稳时间序列,单通道脑电分析方法难以有效刻画多通道信号之间的交互特征。本文提出了一种基于多通道注意力的深度学习网络模型,该模型对预处理后的数据进行稀疏时频分解,增强了脑电信号时频特征的差异性。然后利用注意力模块在时间和空间对数据进行注意力映射,让模型可以充分利用脑电信号不同通道的数据特征。最后利用改进的时间卷积网络进行特征融合并进行分类识别。利用BCI competition Ⅳ-2a数据集对所提算法进行验证,结果表明所提算法可有效提升运动想象脑电信号的分类正确率,9名受试者的平均识别率为83.03%,与现有方法相比,提高了脑电信号的分类精度。所提方法增强了不同运动想象脑电数据之间的差异特征,对提升分类器性能的研究具有重要意义。     

基于互信息特征提取的运动想象脑机接口

脑机接口是一种实现计算机和人脑及其他设备间通信的系统。本文引入F3、F4、C3、C4、FZ、CZ、FC1、FC2、FC5、FC6等多通道运动想象脑电信号的网络连接结构权值等特征,采用支持向量机对不同的运动想象任务进行分类。对所提出的基于互信息(MI)的脑网络结构特征提取方法同传统方法自回归模型(AR)参数特征提取方法进行对比研究,发现基于MI特征提取的运动想象脑电信号分类正确率显著高于AR参数特征提取方法,将两类特征进行融合后,运动想象脑电信号分类正确率又显著高于单独使用MI或AR特征提取方法。     

基于时间序列数据增强的运动想象脑电多尺度特征提取分类

基于运动想象脑电（MI-EEG）的脑机接口（BCI）可以实现人脑与外部设备的直接信息交互。本文提出了一种基于时间序列数据增强的脑电多尺度特征提取卷积神经网络模型，用于MI-EEG信号解码。首先，提出了一种脑电信号数据增强方法，能够在不改变时间序列长度的情况下，提高训练样本的信息含量，同时完整保留其初始特征。然后，通过多尺度卷积块自适应地提取脑电数据的多种整体与细节特征，再经并行残差块和通道注意力对特征进行融合筛选。最后，由全连接网络输出分类结果。在BCI Competition IV 2a和2b数据集上的应用实验结果表明，本模型对运动想象任务的平均分类正确率分别达到了91.87%和87.85%，对比现有的基准模型，该方法具有较高的正确率和较强的鲁棒性。该模型无需复杂的信号预处理操作，具有多尺度特征提取的优势，具有较高的实际应用价值。     

基于闪噪谱方法及加权滤波器组共空间模式的运动想象脑电信号识别

针对运动想象脑电信号复杂度高、受试者个体差异大、传统识别模型精度欠佳的问题,本文提出了基于闪噪谱方法及加权滤波器组共空间模式（wFBCSP）的运动想象脑电信号识别模型。首先,采用闪噪谱方法对运动想象脑电信号进行解析,以二阶差矩为结构函数,采用滑窗策略生成前兆时间序列,以发掘过渡阶段的隐匿动态变化。其次,从信号频带特点出发,利用wFBCSP分别对过渡阶段前兆时间序列及反应阶段序列进行特征提取,生成表征过渡阶段及反应阶段的特征向量。进一步,利用最小冗余最大相关算法对特征向量进行局部筛选,使所选特征能自适应于受试者的个体差异,具有更好的泛化性。最后,以支持向量机为分类器进行分类判别。实验结果表明,本文所提方法在运动想象脑电信号识别中取得了86.34%平均分类准确率,较对照方法性能更优,为运动想象脑电信号解码研究提供了新思路。     

基于时空特征学习卷积神经网络的运动想象脑电解码方法

基于运动想象脑电(EEG)的脑-机接口系统能够为用户提供更为自然、灵活的控制方式,已广泛应用到人机交互领域。然而,由于目前运动想象脑电的信噪比及空间分辨率较低,导致信号解码正确率较低。针对这一问题,本文提出一种基于时空特征学习卷积神经网络(TSCNN)的运动想象脑电解码方法。首先,针对经过带通滤波预处理的脑电信号,依次设计时间和空间维度上的卷积层,构造出运动想象脑电的时空特征;然后,利用2层二维卷积结构对脑电的时空特征进行抽象学习;最后,通过全连接层和Softmax层对TSCNN学习的抽象特征进行解码。利用公开数据集对该方法进行实验测试,结果表明,所提方法的平均解码精度达到80.09%,分别比经典的解码方法共空间模式(CSP)+支持向量机(SVM)和滤波器组CSP(FBCSP)+SVM提高了13.75%和10.99%,显著提升了运动想象脑电解码的可靠性。     

基于ABC-SVM的运动想象脑电信号模式分类

为了提高运动想象脑电信号分类的准确率,针对传统支持向量机（SVM）分类方法在脑电信号处理中存在寻优繁 琐、工作量大和分类正确率低等问题,本研究提出一种基于人工蜂群（ABC）算法优化SVM的分类识别方法。首先利用正 则化共空间模式对脑电信号进行特征提取,然后利用ABC算法优化SVM的惩罚因子和核参数,最后利用提取的右手和 右脚两类脑电信号样本特征对优化后的SVM进行训练和分类测试。实验结果表明ABC-SVM分类器提高了脑电信号分 类的准确率,比传统的SVM分类器准确率高出2.5%,证明该算法的可行性和较高准确性。     

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。     

基于功率谱峰值及时变线性分类算法的运动意识分类

背景:脑电信号的特征提取是脑机接口系统中一个重要的环节,如何快速有效地提取反映大脑意识任务状态的脑电特征是进行分类、正确解读意识任务的关键。目前,提取脑电信号特征通常采用功率谱密度估计、自回归模型和小波变换等方法,这些特征都是以脑电信号的线性化为前提,上述方法不能很好地反映出大脑的非线性动力学性质。目的:分析脑电信号功率谱峰值在识别左右手想象运动中的作用。方法:采用脑机接口2003竞赛中Graz科技大学提供的脑电数据,用小波包分解获取8～24Hz脑电信号,计算C3,C4电极脑电信号的功率谱峰值作为脑电特征向量,运用时变线性分类算法对运动意识任务运行分类。结果与结论:对140次实验的测试样本进行数据分析,最大分类正确率可达89.29%,最大互信息和信噪比分别为0.6269bit和1.3848。C3,C4电极8～24Hz脑电信号功率谱峰值能很好地反映左右手运动想象脑电特征的变化,与事件相关去同步/事件相关同步现象变化一致,可在线识别左右手想象运动。     

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。     

融合脑电与近红外脑地形图特征学习的多模式分类

脑地形图可以用来可以监测大脑的活动状态，为了准确提取被试大脑活动产生信号的空间特征以及有效提高分类准确率，结合脑地形图和卷积神经网络提出一种多模态脑地形图神经网络分类算法(MBTMNN),对运动想象和心算进行分类识别。对脑电和近红外信号进行预处理，提取脑电的能量特征和近红外中氧合血红蛋白浓度特征，结合各自电极位置统一所有样本的colormap后生成脑地形图，将二者同时输入到卷积神经网络并在特征层进行融合得到训练模型。利用2017年柏林脑电-近红外公开数据集进行六折交叉验证实验，数据集包含29名被试，各300个样本，在运动想象左/右、心算/静息、运动想象/心算/静息和运动想象左/右/心算/静息等4种分类场景中，分别达到了82.91%、94%、90.34%和78.18%的准确率，高于同数据集的近期研究和单模态方法。所提出方法能够有效融合脑电和近红外信号以提高分类精度。     

SSSEP提升下肢MI-BCI系统性能及其多维脑电特征分析

运动想象脑-机接口(MI-BCI)可解码用户运动意图,为无法自主运动患者提供-种额外交互控制通道,辅助或改善其生活方式.针对现有下肢MI-BCI分类性能较低等关键问题,引入了体感电刺激(ES)用于下肢MI-BCI构建混合范式(MI+ES),并与传统单一范式(MI)对比.共20名年轻健康右利手受试参与实验,5名参与最优诱...     

基于多特征多关系图卷积神经网络的癫痫脑电分类

目的:提出一种基于多特征多关系图卷积神经网络的癫痫脑电分类方法,改进图卷积神经网络在癫痫脑电分类领域的应用,提升分类准确率。方法:分别提取癫痫脑电信号的1个频域特征、3个时频域特征和2个非线性动力学特征作为模型节点的特征。提取脑电通道之间的空间相似性和频谱相似性,融合两种通道相似性作为整体图节点之间的边关系矩阵。结果:在TUEP数据集上进行实验,准确率、精确率、召回率、F1分数、AUC结果分别为:0.87±0.02、0.91±0.04、0.82±0.04、0.86±0.02、0.90±0.03。结论:提出的模型与单特征和单关系的图卷积神经网络相比,对于癫痫脑电分类的提升效果明显。     

结合卷积神经网络与图卷积网络的乳腺癌病理图像分类研究

目的乳腺癌的精确诊断对于后续治疗具有重要临床意义,组织病理学分析是肿瘤诊断的金标准。卷积神经网络(convolution neural network,CNN)具有良好的局部特征提取能力,但无法有效捕捉细胞组织间的空间关系。为了有效利用这种空间关系,本文提出一种新的结合CNN与图卷积网络(graph convolution network,GCN)的病理图像分类框架,应用于乳腺癌病理图像的辅助诊断。方法首先对病理图像进行卷积及下采样得到一组特征图,然后将特征图上每个像素位置的特征向量表示为1个节点,构建具有空间结构的图,并通过GCN学习图中蕴含的空间结构特征。最后,将基于GCN的空间结构特征与基于CNN的全局特征融合,并同时对整个网络进行优化,实现基于融合特征的病理图像分类。结果本研究在提出框架下进行了3种GCN的比较,其中CNN-sGCN-fusion算法在2015生物成像挑战赛乳腺组织学数据集上获得93.53%±1.80%的准确率,在Databiox乳腺数据集上获得78.47%±5.33%的准确率。结论与传统基于CNN的病理图像分类算法相比,本文提出的结合CNN与GCN的算法有效融合了病理图像的全局特征与空间结构特征,从而提升了分类性能,具有潜在的应用可行性。     

基于联合决策卷积神经网络的光学相干断层扫描图像自动分类

光学相干断层扫描(OCT)技术能实现视网膜的高分辨率三维层析成像,对视网膜疾病类型的诊断和发展阶段的分析具有至关重要的作用。临床基于 OCT 图像的视网膜疾病诊断主要依靠眼科医生对图像中病变结构的分析,这一人工分析过程不仅耗时而且易产生主观的误判。研究视网膜疾病的自动分析和诊断技术将极大减轻眼科医生的工作量,是实现高效诊疗的有效途径。针对视网膜OCT图像自动分类,构建一种联合决策的卷积神经网络分类模型。该模型利用卷积神经网络从原始输入OCT图像中自动地学习不同层级的特征,同时在网络多个卷积层上设计多个决策层,这些决策层能够根据网络中不同尺度的特征图分别对OCT图像分类,最后模型融合所有决策层的分类结果做出最终决策。在Duke数据集(3 231张OCT图像)上的实验结果表明,基于多层级特征联合决策的卷积神经网络分类模型对正常视网膜、视网膜年龄相关性黄斑变性和视网膜黄斑水肿的平均识别准确率达到94.5%,灵敏性达到90.5%,特异性达到95.8%。在HUCM数据集(4 322张OCT图像)上的实验结果表明,基于多层级特征联合决策的卷积神经网络分类模型的平均识别准确率达到89.6%,灵敏性达到88.8%,特异性达到90.8%。充分利用卷积神经网络中丰富的多层级特征,能够有效地对视网膜OCT图像实现准确的分类,为临床上视网膜疾病的辅助诊断提供技术支撑。     

基于CNN算法的稳态体感诱发电位的特征识别

脑-机接口研究可为瘫痪病人的康复带来一种新的治疗方法。已有研究表明对手指或者正中神经施加一定频率的体感刺激,会引发相同频率且具有空间特异性的稳态体感诱发电位。为优化基于稳态体感诱发电位的脑-机接口的性能,通过快速傅里叶变换寻找12个健康被试的个人左手特定共振频率,采用事件相关谱扰动进行时频分析,检测其稳态体感诱发电位信号。基于共振频率对实验诱发的脑电信号进行1 Hz带通滤波,获得特定频带的数据,采用卷积神经网络(CNN)学习算法对其进行分类,并与采用共空间模式和支持向量机的特征提取及特征分类的方法(CSP+SVM)进行比较。所有被试的结果显示:基于共振频率滤波方法,采用CNN学习算法获得的离线分类准确率均高于85%,并且CNN学习算法的分类准确率显著性优于CSP+SVM的分类准确率(91.8%±5.9% vs 77.4%±8.5%,P<0.05)。因此,在基于稳态体感诱发电位的脑机接口的特征识别中,CNN学习算法相比传统使用的机器学习分类算法(如共空间模式+支持向量机)能够显著提升分类准确率,提高脑机接口的整体性能。     

基于Fisher向量和混合描述符的胎盘成熟度分级

胎盘成熟度分级(PMG)对于评估胎儿生长和孕妇健康来说至关重要。目前,PMG主要依赖于临床医生的主观判断,不仅十分耗时,而且由于工作的重复性和冗余性,常会产生误判。传统机器学习中使用的手工特征提取方法,不能很好解决PMG的分级问题,因此提出从B超图像和彩色多普勒能量图像中提取深度混合描述符进行胎盘成熟度自动分级的方法。从深度卷积神经网络中提取卷积特征,并将其与手工特征结合形成混合描述符来提高模型性能。首先,将多个特征层的不同模型进行融合,从图像中获取混合描述符。同时,考虑到深度表达特征,使用迁移学习策略来增强分级性能。然后,用Fisher向量(FV)对提取的描述符进行编码。最后,使用支持向量机(SVM)分类器对胎盘成熟度进行分级。用医生标注好的数据进行测试,在基于19层网络的混合特征模型获得高达94.15%的精确度,比单一使用手工特征模型提升3.01%,比CNN特征模型提升7.35%。实验结果证明,所提方法能够有效应用于胎盘成熟度自动分级。     

基于深浅特征融合的深度卷积残差网络的脑电情绪识别模型

基于脑电信号的智能情绪识别系统具有便携性、高时间分辨率、实时性等特点,能够在健康、娱乐、教育等多个领域实现情绪监控与调节的应用.但由于脑电信号的非平稳性和个体差异性,传统分类器难以深入提取脑电信号中潜在的与情绪语义相关的特征.为了有效地提取脑电特征,提高脑电-情绪识别的准确性,提出一种新型的基于深浅特征融合的深度卷积残...     

基于脑肌电融合的混合脑机接口研究

动作模式识别是脑机接口技术的核心内容之一。针对目前脑机接口动作识别模式单一、识别率低等问题,基于混合脑机接口思想,提出一种脑电和肌电特征融合策略,可实现单侧肢体不同动作模式的有效分类,进而可用于脑机接口技术。同步采集9名健康受试者单侧手腕屈/伸两种动作模式下的脑电信号和表面肌电信号,分别提取脑电信号事件相关去同步化特征和表面肌电信号的积分肌电值特征,构建基于支持向量机和粒子群优化算法的脑肌电融合及运动模式识别模型,通过调整“特征融合系数”来实现动作模式最优分类,从而提高模式识别的准确率;进一步通过递降健康人的肌电信号幅值来模拟患者和运动疲劳状态下的肌电信号,验证所提出方法对动作模式识别的有效性。实验结果表明,基于脑肌电融合特征的动作模式识别率(98%)比单纯依靠脑电特征的识别率(73%)提高25%;在运动疲劳状态下,基于脑肌电融合特征的识别率稳定在80%以上,比单纯依靠肌电特征的识别率提高14%。可见,脑肌电融合策略能提高动作模式识别的准确性和鲁棒性,为混合脑机接口技术提供条件。