基于多通道自适应自回归模型脑-机接口系统特征的提取

背景：由于脑电图信号的非平稳特性,脑-机接口系统至今仍然没有走出实验室,制约脑-机接口实用的主要原因之一是由于被试生理或心理状态的干扰下,脑电特征信号动态变化,难以得到稳定可靠的分类特征。 目的：观察动态提取基于左手、右手和脚3种运动想象时的脑电信号分类特征,提高在线脑-机接口系统分类准确率和反应速度。 方法：共有3位自愿受试者参加了实验,按照屏幕上的提示分别想象左手、右手和脚3种运动,对采集到的脑电图信号,首先通过带通及拉普拉斯滤波,去除眼电等干扰;其次提取改进的多变量自适应自回归模型模型参数作为分类特征;最后与传统的自适应自回归模型和自回归模型方法进行了比较。 结果与结论：结果表明改进的多通道自适应自回归模型算法能够比较稳定的提取出对应左手、右手和脚的分类特征,有利于进一步改进在线脑-机接口数据分析算法的自适应能力,促进脑-机接口系统的实际应用。     

基于迁移学习和空洞卷积的癫痫状态识别方法

癫痫患者脑电信号的自动检测和发作诊断对临床治疗癫痫具有重要意义。针对训练数据有限及训练与测试数据分布不一致的难点,采用领域间联合知识迁移学习方法,实现小训练数据量下的癫痫状态识别。首先对脑电信号进行4层小波包分解,提取小波包分解系数作为特征,通过边缘分布和联合分布迭代调整,完成源域和目标域特征之间的知识迁移,训练空洞卷积神经网络作为分类器,完成目标域癫痫状态识别。分别在波士顿儿童医院CHB-MIT脑电数据集(22 例被试,共计790 h)和波恩大学癫痫脑电数据集(5 组,每组100 个片段,每段23.6 s)上进行算法验证,实验结果表明,所提出的方法对复杂癫痫状态的平均识别准确度、敏感性、特异性在CHB-MIT数据集上达到96.8％、96.1％、96.4％;在波恩数据集上,平均识别准确率为96.9%,有效提高了癫痫状态识别综合性能,实现了癫痫发作稳定可靠检测。     

基于异方差混合转移分布模型和支持向量机的脑电分类研究

为解决线性分析和单一非线性动力学指标方法无法准确描述脑电信号的问题,本研究提出基于异方差混合转移分布模型脑电特征提取方法。首先对采集到的脑电信号依据条件期望最大化(ECM)算法建立异方差混合转移分布模型,求得模型条件方差序列的均值及方差作为脑电信号的特征,将得到的脑电信号特征采用支持向量机进行分类。通过对6个人的正常脑电信号和带有眼电伪迹脑电信号进行分类仿真实验,其结果表明该方法能很好地拟合出脑电信号,且分类精确度能达到99.166 7%,说明此方法可有效提取脑电特征并准确识别出眼电伪迹。     

基于多域脑电参数分析的麻醉深度评估

提出一种结合随机森林模型的输出和脑电参数共同评估麻醉深度的方法,以提高评估麻醉深度的可靠性。首先通过滤波方式处理脑电信号,然后把信号分割成等长的多段,从每段中提取非线性域、频域、时域的10种参数,得到脑电参数-BIS值数据集;然后建立评估麻醉深度的随机森林回归模型,并在这些脑电参数中筛选出用于辅助模型评估的参数;最后在测试集上验证模型和参数的效果。该模型在测试集上的估计值与真实值之间存在很好的一致性和相关性（Pearson相关性=0.975）,筛选出的参数在测试集上也达到了82.3%的总准确率,表明该方法在评估麻醉深度方面具有较好的应用价值。     

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。     

基于脑电功率谱密度和随机森林的自动睡眠分期方法

采用深度学习技术实现睡眠自动分期计算复杂度较高，且需大量数据支撑。本文提出一种基于功率谱密度和随机森林的自动睡眠分期方法，先提取脑电信号6种特征波（K复合波、δ波、θ波、α波、纺锤波、β波）的功率谱密度作为特征，然后利用随机森林分类器实现5种睡眠状态（W、N1、N2、N3、REM）自动分类。采用Sleep-EDF数据库中健康受试者整晚睡眠脑电数据作为实验数据，对比了使用不同输入通道脑电信号（FpzCz单通道、Pz-Oz单通道、Fpz-Cz+Pz-Oz双通道）、不同分类器（随机森林、自适应增强、梯度提升、高斯朴素贝叶斯、决策树、K近邻）、不同训练集与测试集划分方法（2折、5折、10折交叉验证及单个受试者）对分类效果的影响。实验结果表明，当采用Pz-Oz单通道脑电信号和随机森林分类器时效果最好，无论怎样变换训练集与测试集，分类准确率都达到90.79%以上，总体分类准确率、宏观平均F1值、Kappa系数最高分别可达到91.94%、73.2%、0.845，证明该方法是有效的，且不易受数据量影响，具有较好的稳定性。与已有研究相比，该方法分类准确率更高、实现更简单，适用于自动化。     

基于自回归小波包熵特征融合算法的情感识别研究

针对提高情感识别正确率这一国际开放问题,本文提出了一种基于小波包熵和自回归模型相结合的脑电信号特征提取算法。自回归过程能最大程度逼近脑电信号,用很少的自回归参数提供丰富的谱信息。小波包熵反映脑电信号在各个频带中的谱能量分布情况。将二者结合,能够更好地体现脑电信号的能量特征。本文基于核主成分分析方法,实现了脑电信号特征提取融合。课题组采用情感脑电国际标准数据集(DEAP),选取6类情感状态以本文算法进行情感识别。结果显示,本文算法情感识别正确率均在90%以上,最高情感识别正确率可达99.33%。本文的研究结果表明,该算法能够较好地提取脑电信号情感特征,是一种有效的情感特征提取算法。     

意念力游戏训练改善脑认知功能状态研究

本文采用意念力游戏训练对轻度认知功能障碍人群进行干预治疗,辅助改善其脑认知功能状态。研究共采集了40名受试者训练前及两次训练后的脑电数据,并分析了脑电信号的连续复杂度特征,评估脑认知功能状态,探讨意念力游戏训练对脑认知功能状态的改善效果。结果显示,经过两次训练后,受试者脑电信号连续复杂度有所升高(0.012 44±0.000 29,P 0.05),曲线波动幅度逐渐减小,表明随训练次数增加,脑电信号连续复杂度显著提升,脑认知功能有明显改善且状态稳定。本文的研究结果可以表明,意念力游戏训练可以改善脑认知功能状态,该结果或可为今后辅助干预脑认知功能障碍提供支持与帮助。     

基于特征融合神经网络的运动想象脑电分类算法

运动想象-脑机接口（MI-BCI）技术为运动障碍患者提供了一种新的与外界交流的能力。应用卷积神经网络（CNN）处理运动想象（MI）脑电分类问题时,多提取最后卷积层的特征,忽视了中间层大量可用信息,导致MI-BCI的分类性能较差。针对这一问题,提出模型内层融合（WMFF）和模型间层融合（CMFF）两种特征融合策略。WMFF策略提取CNN每一层特征进行融合;CMFF策略融合CNN和长短时记忆网络并提取每一层特征。本研究用BCI竞赛IV Datasets 2a数据集对所提方法进行验证,WMFF和CMFF MI脑电信号四分类平均正确率分别达到76.19%和80.46%。结果表明,所提方法可有效提高MI脑电信号分类正确率,为MI脑电信号分类提供了新的思路。     

基于自适应动态特征库的P300诱发脑电单次提取算法研究

目的 诱发电位的单次提取技术一直是脑电信息处理领域的难题之一,为进一步提高单次提取算法的时间准确性和特征精度,针对体感诱发脑电数据信噪比低、试次间参数变化大的特点,研究诱发脑电参数单次提取新算法,保留试次间诱发脑电的动态特性,并提高估计准确率.方法 基于小波滤波和多元线性分析技术,加入自适应动态特征库并由此提出的诱发脑电P300参数单次提取新方法.随机选取4组小波滤波(WF)后诱发脑电数据,分别叠加平均后进行主成分分析(PCA)组成特征库.单次提取时,针对每试次数据从特征库中选择与当次诱发脑电信号相关系数最高的成分作为自变量开展多元线性回归分析,由回归分析结构重构出单次诱发电位信号并自动提取潜伏期和幅值等关键特征.结果 与专家判定的基准数值相比,新算法预测的P300成分潜伏期与幅值参数更准确,两者的平均差值分别为(11.16±8.60) ms和(1.40±1.34)μV;与常用的叠加平均法结果亦更为接近,平均差值分别为(23.26±25.76) ms和(2.52±2.50) μV,新算法相比传统多元线性回归分析算法具有显著优势.结论 将动态更新的诱发脑电数据主成分样本库应用于小波滤波与多元线性回归方法,能有效保留单次诱发脑电数据中的动态特征,从而提升参数估计的准确率.     

基于TrAdaBoost的跨脑辨识P300电位研究

P300电位的个体差异导致基于该电位的脑-机交互系统需要每位被试的大量训练数据来构建模式识别模型,引起被试的训练疲劳,并可能由此导致系统性能降低。TrAdaBoost是一种把源领域的知识迁移到目标领域,进而使目标领域能获得更好的学习效果的迁移学习方法。本研究针对P300电位的跨脑辨识问题,提出基于TrAdaBoost的线性判别分类算法和支持向量机,将同被试的少量数据训练的分类器与不同被试的大量数据训练的分类器按权重组成融合分类器。与只采用少量同被试数据或者混合不同被试数据来直接进行训练的传统学习方式相比,本文算法在少量样本情况下将准确率分别提高了19.56%和22.25%,信息传输率分别提高了14.69 bits/min和15.76 bits/min,有望提高脑-机交互系统对被试个体差异的泛化能力。     

脑电时间效应对情绪识别模型的影响及解决措施研究

近年来,越来越多的研究者投入到基于脑电的情绪识别研究中。然而在实际应用中,建立高精确度的情绪识别模型仍面临巨大的挑战,其中一个难点就是如何剔除或降低脑电信号的时间效应,进而提高情绪识别模型的时间鲁棒性。拟通过增加情绪模型中训练样本的天数,降低时间效应对识别模型的影响。利用视频诱发被试的正性、中性、负性3种情绪状态,共9名被试参与实验,每名被试需在1个月内进行5次数据采集,每次采集的时间间隔分别是1天、3天、1周和2周。采集被试60导联的脑电信号,并提取6个频段的功率谱特征。在模式识别阶段,分类器的训练样本分别来自N天的样本(N=1,2,3,4),剩余(5-N)天的数据则作为测试样本,得到不同训练天数下的分类正确率。结果表明:脑电时间效应的确会影响情绪识别的正确率,当训练集与测试集中的样本来源于不同的两天时,识别率显著下降(P<0.01);随着训练集样本天数的增加,正确率提高,正确率与训练样本的天数呈正相关;当训练集中样本来源于2~4天时,相比于1天的情况,平均正确率的提高率分别为6.45%(P=0.006)、10.48%(P=0.000)、14.40%(P=0.000),即增加训练集中样本的来源天数,能显著降低时间效应对分类效果的影响。结果证实,脑电时间效应能显著降低情绪识别模型的识别正确率,增加训练样本的天数可降低时间效应对识别模型的影响,并提高情绪识别模型的时间鲁棒性,从而为情绪模型从理论研究走向应用提供技术支持与研究思路。     

自回归模型和隐马尔可夫模型在癫痫脑电识别中的应用

目的研究自回归(autoregressive model,AR)模型和隐马尔可夫模型(hidden Markov model,HMM)在癫痫脑电(electroencephalogram,EEG)识别中的应用,以期减轻医生工作量,减少人工识别主观因素的影响。方法使用基于联合信息准则(combined information criterion,CIC)的最佳阶数AR模型对脑电信号进行特征提取,连续密度隐马尔可夫模型(continuous density hidden Markov model,CD-HMM)作为正常脑电和癫痫脑电的分类工具,对南京军区总医院的临床脑电数据(8组采样频率为512 Hz的16导正常、癫痫脑电信号)进行分析和识别。实验时对每一例样本选取T3、T4、FP1、FP2、C3、C4六个导联的数据。使用训练集中的15段样本进行HMM建模,剩下35段用作测试。结果癫痫脑电的识别率可达90%。结论 AR模型结合HMM建模的方法对正常脑电信号和癫痫脑电的识别率较高,在脑-机接口设备的开发中有一定的应用前景。     

头皮脑电重测信度的研究进展

近年来,许多研究应用头皮脑电探讨心理过程的认知神经机制,相关研究高度重视脑电信号的重测信度。基于脑电图开发评估人脑功能的实验方法,是否具有高重测信度备受关注。综述脑电重测信度的主要影响因素,关注脑电基础实验流程对重测信度的影响,为此,首先介绍脑电重测信度的常用测量方法;其次概述该领域实验方法的研究进展,包括实验设计、数据处理、特征选择和被试群体构建等,其中重点阐述脑电数据分析方法对重测信度的影响,揭示提高脑电信号信噪比和建立标准化预处理流程是改善脑电重测信度的重要途径;最后,从实验范式和特征/指标的选择上提出了提高脑电研究重测信度的途径,并展望了脑电重测研究的发展前景。     

基于对抗适应网络的跨个体肌电手势识别方法

目的 表面肌电信号可以直接反映用户的动作意图，近年来已经成为手势识别等人机交互任务的主要控制信号。然而，个体差异性使得用户模型不能通用，限制了其应用与发展，为此，本文提出一种新的跨个体对抗适应网络(cross-subject adversarial adaptation network, CAAN)。方法 该网络包括特征编码器、手势分类器和个体分类器3个子模块，使用了新的对抗性适应训练方法训练网络，达到分离出个体私有特征的目标。CAAN网络在采集的数据集上进行训练和测试，数据集包括11名受试者的6种手势。结果 本方法的手势识别准确率达到88.08%,通过比较，该方法的性能优于现有的方法。结论 本文提出的CAAN网络可有效进行跨个体手势识别，为人机交互提供可靠的技术。     

基于脑电非线性特征和AdaBoost算法的诱导期麻醉深度检测

提出一种结合自适应增强学习AdaBoost算法和脑电非线性特征的麻醉深度评估方法,通过提取脑电信号中的4种非线性特征（KC复杂度、小波熵、排序熵、模糊熵）作为输入,以双谱指数作为参考输出,将诱导期麻醉深度分为清醒、轻度麻醉、中度麻醉。使用9例全麻患者的诱导期脑电信号对该方法进行评估,3种不同麻醉状态分类准确度为86.69%,Kappa系数为0.837,表明该方法可以较好地区分诱导期3种不同麻醉水平,为麻醉深度监测提供新思路。     

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。     

融合脑电特征的弹性网特征选择和分类

脑机接口系统的核心问题之一是信号分类。本文针对脑电信号的异构融合特征的分类问题提出了一种新方法:封装式弹性网特征选择和分类。首先,对预处理后的脑电(EEG)信号联合应用时域统计、功率谱、共空间模式和自回归模型方法提取高维异构融合特征。其次,采用封装方式进行特征选择:对训练数据采用弹性网罚逻辑回归拟合模型,通过坐标下降法估计模型参数,运用10倍交叉验证选择出最优特征子集。最后采用已训练的最优模型对测试样本进行分类。实验中采用国际BCI竞赛Ⅳ的EEG数据,结果表明,该方法适用于高维融合特征的最优特征子集选择问题,对于EEG信号的识别不仅效果好、速度快,而且能够选出与分类更相关的子集,获得相对简单的模型,平均测试正确率达到了81.78%。     

基于通用赤池信息量准则改进维纳-格兰杰因果索引算法的颅内脑电效应连通性研究

本文的目标是处理并分析使用深度电极在难治性癫痫患者癫痫发作期间其大脑皮层中记录到的癫痫脑电信号间的大脑效应连通性。维纳-格兰杰因果索引算法是一种众所周知的检测脑电信号间大脑效应连通性的有效方法。它是一种基于线性自回归模型的方法,而模型参数估计问题在其用于脑电因果效应连通性研究中的计算准确性与鲁棒性方面起着至关重要的作用。本文针对这一问题,使用了我们提出的改进的赤池信息量准则来估计算法中自回归模型的模型阶数,以提高维纳-格兰杰因果索引算法检测大脑效应连通性的性能。实验仿真结果表明:不管是在线性随机系统中还是在能生成模拟癫痫信号的生理模型中,该改进的维纳-格兰杰因果索引算法在检测脑效应连通性上都表现出良好的鲁棒性。     

基于多特征融合的运动想象脑电信号识别研究

目的:脑机接口通过识别脑电信号后对外部设备进行控制,针对传统的提取单一特征方法无法多角度表征脑电,提出一种多特征融合的特征提取方法。方法:分别使用自回归模型、经验模态分解、共空间模式提取结合时-频-空域的初始特征向量,用主成分分析降维,最后用支持向量机分类。结果:对BCI2003数据处理后,得到91.9%的识别率,高于单一特征和两两组合特征下的识别率以及BP神经网络、概率神经网络的识别率。结论:多特征融合的特征提取方法更好地代表了脑电特征,同时采用支持向量机分类可取得较好的效果,证明本研究方法的有效性,可进一步用于脑机接口中。