多类核共空间模式特征提取方法研究

为了缓解共空间模式（CSP）下,对脑内的源信号和记录的脑电（EEG）信号之间严格的线性模式的假设关系,需要研究一种核共空间模式（KCSP）的特征提取方法。考虑到脑-机接口（BCI）研究已经逐渐从两类的模式识别发展为多类的模式识别,因而提出了多类核共空间模式（MKCSP）的方法,该方法将KCSP方法和多类CSP方法结合起来。我们用Logistic线性分类器对提取的特征进行了分类。实验使用的数据是2005年BCI竞赛Ⅲ的数据集Ⅲ₃a。通过实验表明,本文中的方法能够从多类别的单次试验的EEG数据中提取相应的特征,并得到了较好分类结果。     

一种基于运动想象的脑-机接口时空滤波器迭代算法

基于运动想象的脑-机接口系统是脑-机接口中的一个主要研究方向,共空间模式(CSP)算法是一种流行的运动想象数据分析特征提取方法.共空间模式的性能依赖于恰当的带通滤波,通常高度依赖于神经生理先验知识.本研究提出一种称为共迭代时空模式(ICSTP)的运动想象时空特征提取方法,该算法用与空域滤波器设计相同的广义特征值问题优化时域滤波器,并给出了算法收敛性的证明.真实脑电数据实验结果表明算法的收敛只需数个循环,且平均正确率高于人工选择时域滤波器的标准CSP方法.     

核共空域子空间分解特征提取算法研究

脑-机接口中特征提取算法是脑电信号处理的关键步骤。提出一种基于核方法的核共空域子空间分解特征提取算法,将用于多通道两类别分类的共空域子空间分解算法推广到核空间。应用新算法对BCI竞赛Ⅱ的数据集Ⅳ进行实验仿真。实验中核函数使用的是线性核函数,求解空域滤波器时,为了减小计算的压力,在原空间对每一个试验的训练数据进行层次聚类,训练的分类器为最近邻分类器,实验的测试集结果为84%,与数据集Ⅳ的竞赛胜利者的分类结果相同。     

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。     

基于黎曼空间的运动想象脑电信号特征迁移学习算法研究

由于脑电信号具有低信噪比、非平稳等特点,传统脑机接口需对用户执行长时间的校准训练,才能建立可靠、准确的分类模型。针对当前迁移学习在脑电信号上分类准确率低的问题,本研究提出了基于黎曼空间特征迁移学习(Riemannian space feature transfer learning, RFTL)的运动想象脑电信号分类算法。该算法首先在黎曼空间对源域和目标域数据进行分布对齐后,利用联合分布适配减少不同域间的数据分布差异,构建适用于目标域任务的域不变分类器模型。实验结果表明,RFTL算法可有效解决跨域分布的不一致性,显著提高运动想象脑电信号跨对象的识别准确率,改善脑机接口研究中的通用性问题。     

运动想象脑电信号的特征提取和分类进展

运动想象脑电信号是指想象肢体运动而没有实际的肢体动作所产生的脑电信号.信号处理和模式分类方法是运动想象脑电信号以及整个BC1系统的核心技术.本文对基于运动想象的脑电信号的识别算法进行了综述.阐述了运动想象脑电特征提取和分类的方法,比较了各种方法的特点,分析了几种典型的特征提取和识别算法的组合,并且总结了运动想象脑电信号的特征提取和分类的发展现状和前景.     

运动想象脑电多视角深度森林解码算法

针对运动想象脑电信号特征提取操作繁琐及解码精度低等问题,提出一种基于多视角深度森林的运动想象脑电解码算法。首先,通过子频带滤波及时间窗口划分对原始信号进行细粒度分析,生成空时频能量特征。然后,对上述空时频能量特征分别进行稀疏选择和时序扫描得到重要的浅层能量特征及多示例先验类别特征。继而,将上述两类特征进行融合构建运动想象脑电多视角特征集。最后,利用级联森林的逐层特征变换挖掘深层次的抽象特征进行脑电解码。根据脑机接口竞赛数据和自行采集的数据进行算法测试,并与单视角特征模型、传统共空间模式方法以及深度神经网络算法进行对比。在2个脑机接口竞赛数据集和1个真实数据集上分别取得了91.4%、75.2%和70.7%的最高平均分类准确率,结果表明该文所提多视角深度森林算法具有更优的分类识别准确率。     

基于共空域频谱模式的少通道运动想象分类

针对少通道脑电数据采集如2～3通道的情况下,利用每个通道信号的2～ 10个延时来扩展EEG信号的通道数,然后再利用共空域模式CSP算法进行特征抽取.针对每个通道信号的延时选取问题,提出利用非参数化估计互信息熵的方法来选择最佳个数的延时因子.应用多个时延的共空域频谱模式(C SSP)算法,对2008年BCI竞赛数据集Ⅱb中的9个受试者以及实验室采集的13个受试者的想象运动数据集分析,结果表明可以使两个数据集的平均Kappa系数分别达到0.6与0.34.该方法可以依据8～ 30 Hz内频段的区分度自动优化权重系数,从而提高少通道数目下想象运动的分类正确率.     

基于小波包分解和共空间模式方法的脑电运动想象分类方法

针对脑电运动想象信号分类不准确,本研究结合小波包分解和共空间模式,提出了一种脑电运动想象分类方法。采用电极无创式采集脑电运动信号,并利用独立成分分析去噪,通过小波变换和共空间模式,提取脑电运动信号的时域特征和空间域特征。以决策树算法为基础,一个决策树对应一种脑电运动信号类别,构建随机森林分类器,实现脑电运动想象分类。结果表明:与其他分类方法相比,该方法能够较好地控制智能小车的运动反应,证明本研究方法的分类质量更高。     

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。     

Brain-Computer Interface Design Using Signal Powers Extracted During Motor Imagery Tasks

Accurate classification of EEG left and right hand motor imagery is an important issue in brain-computer interface.Firstly,discrete wavelet transform method was used to decompose the average power of C...     

共同空间模式在少通道分类问题中的应用

在目前以运动想像为基础的脑机接口(BCI)系统中,共同空间模式(CSP)方法作为一种有效的处理方法被广泛使用.但这种基于多通道的空间滤波方法并不能对频域信息进行处理,而且在通道数较少的情况下也无法应用.将每个通道的多个频段看成是新的通道运用CSP,并以此方法获得了2008年BCI竞赛中数据集IIb的第二名,平均Kappa系数达到0.58.该方法充分利用信号频域信息,以解决通道数过少的情况下基于想像运动模式分类的难题.     

基于空间频率与时间序列信息的多类运动想象脑电分类

结合共同空间模式（CSP）、离散小波变换（DWT）和长短期记忆网络（LSTM）方法,提出一种基于空间频率与时间序列信息的多类运动想象脑电特征提取方法。首先利用滑动矩形窗获得时间序列脑电信号,并采用DWT从每一段脑电信号提取运动想象脑电相关的子带小波系数,其次将小波系数通过一对多CSP进一步特征提取,得到的特征作为LSTM的输入,然后对LSTM的时间序列输出在时间步上进行平均,最后使用Softmax分类器进行分类。实验结果显示,新算法取得92.23%的准确率,相比CSP特征以及结合频率或时间序列信息的CSP特征有较大提升,表明空间、频率、时间序列信息的互补性和有效性。     

基于增量半监督仿生模式识别的运动想象脑电识别

针对BCI研究中样本采集代价较大,如何充分利用未标记的样本来提升识别性能的问题,本研究将仿生模式识别算法(BPR)与增量半监督学习算法结合,以Bagging算法框架为基础,提出了一种新的增量半监督的仿生模式识别算法(BPR-ISSL).以脑机接口国际大赛公布的数据集对该算法进行了离线分析以及模拟在线的实验,并且使用作者在线采集的实际脑电数据进行了实际在线实验,比较分析了BPR-ISSL与作者之前提出的改进仿生模式识别算法,以及BPR-ISSL与增量半监督SVM、增量半监督BP的识别性能.实验结果表明:在训练样本较充足的情况下,BPR-ISSL识别准确率优于其它3种算法,平均准确率要高出3％左右;并且通过对标准差的计算,其在抗过学习和稳定性上也体现出了明显的优势.     

基于CSP的多类运动想象脑电特征自动选择算法

目的在基于协方差矩阵近似联合对角化(joint approximation diagonalization,JAD)的多类共空间模式(common spatial pattern,CSP)运动想象检测滤波器的设计过程中,需要对关键特征向量进行选择。较常用的基于"最高得分特征值准则"的特征向量选择方法会出现不同类数据的最高得分特征值对应同一个特征向量,因此导致无效CSP滤波器的出现,进而影响系统识别率。本文在传统JAD方法上提出一种特征值自动选择方法以解决特征值选择无效问题。方法基于BCI Competition 2005data IIIa(BCI2005)和实验室自主采集三类运动想象脑电(EEG)数据集,对不同想象类别数据对应同一个特征向量的异常现象进行实验分析。结果在两个数据集自测试下,本方法的三类运动想象平均识别率分别达到82.78%和85.92%,比传统JAD提高3.44%和3.25%。结论基于CSP的多类运动想象脑电特征自动选择算法能够有效解决特征值选择无效问题,进而提升运动想象BCI系统的分类识别率。     

基于OpenBCI与OpenViBE的脑机接口设计

以OpenBCI为脑电信号采集平台,OpenViBE为脑电信号分析平台,并以源自大脑感觉运动皮层的μ节律和β节律为基础,采用共空间模式算法作为特征提取方法,结合高斯核支持向量机,研制用于机械臂控制的运动想象脑机接口,并通过实验对信号特征提取方法以及分类算法的效果进行评估。初步实验结果表明,采用共空间模式算法处理后的分类准确率高于表面拉普拉斯空间滤波器,且支持向量机的分类性能优于线性判别分析。本系统的控制准确率达95%以上,可实现机械臂的有效控制。未来的研究将探索如何通过自定义插件来提高OpenViBE的硬件控制功能。 【关键词】脑机接口;脑电信号;OpenBCI;OpenViBE;运动想像     

运动想象脑-机接口新进展与发展趋势

基于运动想象(MI)的脑-机接口(BCI)作为一项新的运动损伤康复手段,在帮助改善和恢复丧失的身体功能方面具有重要的作用。然而,目前MI-BCI走向实用化仍面临着许多问题和挑战,包括MI诱发生理信号空间分辨率低、使用者训练时间较长和异步控制MI-BCI系统难以有效实现等。简要阐述MI相关的机制研究,然后针对以上问题从信号采集、信号处理算法分析、范式设计和异步控制研究等,综述相关解决方案及其研究现状,最后概述MI-BCI的应用,并展望MI-BCI未来的发展方向。     

卒中后运动神经反馈康复训练研究进展与前景

脑卒中(stroke)是脑区突发血管病变引起局部功能障碍的综合病症,亦是全世界第一致残类恶性神经系统疾病。运动康复训练对卒中后的功能恢复起十分重要作用,其关键在于通过肢体运动,诱发促进脑区受害神经组织产生可塑性改变,以实现运动功能的改善和恢复。但传统的被动重复训练无法调动患者的参与度和积极性,严重影响康复效果。近年来兴起基于运动想象脑-机接口(MI-BCI)的运动神经反馈康复训练模式,可由患者的主观运动意图内源性地驱动相应脑区神经来产生可塑性变化,通过大脑神经功能重组来促进肢体运动康复。评述本体感觉、视觉反馈等不同运动神经反馈模式在卒中康复训练中的应用研究进展,讨论目前MI-BCI神经反馈康复训练系统存在问题及解决对策,并预期未来的发展前景。