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。     

多类运动想象脑电信号的处理研究

基于运动想象的脑-机接口具有不依赖外界刺激器的特点,但如何根据不同受试者自适应地提取出最佳特征是目前的难点之一.本文设计了基于LabVIEW平台的运动想象脑电信号采集系统,对五名受试者想象左手、右手和脚运动时的脑电信号进行采集;利用小波包分解提取μ节律和β频段,实现脑电信号的滤波;通过分析不同受试者的小波包节点的ERD/ERS比率,自适应地选出最佳特征时间和频段;组合最佳特征时间、频段的小波包能量和小波包熵作为特征向量,利用马氏距离分类判别.实验结果证明:利用ERD/ERS比率、小波包分解和马氏距离分类,算法简单快捷,平均正确率可以达到84.3％,较好的实现了三类运动想象分类,提高了系统的自适应性.     

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。     

用于控制短消息发送的实时脑机接口系统

目的：设计一种基于视觉诱发电位的实时脑机接口,用于控制短消息发送。方法：实时脑机接口系统由视觉刺激器、脑电采集电路、FPGA开发板、通讯模块组成。脑机接口界面包括短消息发送的目标选项和内容选项界面,受试者每次实验注视刺激界面中的一个模块,通过检测视觉诱发脑电来确定受试者做出的选择。利用基于FPGA的VGA视觉刺激器为受试者提供视觉刺激,采集脑电信号并在FPGA平台上对其进行在线的实时分析处理。选用小波分解提取视觉诱发电位特征向量,输入BP神经网络进行模式识别,产生脑机接口控制信号,其中,小波分解和BP神经网络两部分由NIOS II实现。脑机接口控制命令用于控制TC35无线模块发送短消息。结果：通过对五名受试者做实验,识别准确率最高可以达到100%,脑机接口系统能有效控制短消息的发送。采用小波滤波、BP神经网络识别的算法优于时域波形匹配识别法。结论：实验表明本文提出的实现脑机接口短消息发送系统的方法具有可行性。     

基于核函数极限学习机和小波包变换的EEG分类方法

目的为实现运动功能障碍患者的运动意愿,基于脑-机接口(brain-computer interface,BCI)的康复训练技术是近年来的研究热点。脑-机接口的关键技术是快速准确地识别出与运动想象相关的脑电模式。针对脑电信号非平稳及个性化差异等特点,利用小波包理论和核函数极限学习机(extreme learning machine,ELM)方法,提出一种自适应的特征分类方法来提高脑电信号的分类识别率。方法由于小波包存在着频带交错的现象,所以首先利用距离准则将自适应提取的最优小波包的平均能量作为特征向量,并采用核函数ELM方法进行分类。最后利用BCI竞赛数据进行了脑电信号特征分类的仿真研究,并对不同算法的分类识别率进行仿真分析。结果自适应特征分类方法对用于实验的脑电数据的平均分类识别率达到97.6%,对比ELM、神经网络(back propagation,BP)和支持向量机(support vector machine,SVM)分类方法,核函数ELM方法在分类时间和识别精度上效果最佳。结论本文提出的脑电信号分类方法取得了较高的分类识别率,适用于脑电信号的分类应用。     

基于想象左右手运动脑电特征提取及其统计特性分析

目的 基于想象运动的脑-机接口(BCI)系统中,探讨如何获取思维脑电、提取特征并对其进行准确而有效地分类.方法 利用小波变换方法构建小波系数提取不同思维脑电特征,并从统计学的角度对这些特征进行分析.结果 在实际动作前0.5～1 s左右,想象左右手运动时C3和C4处各自具有明显不同的脑电特征,且这些特征存在显著性差别(P＜0.05)说明小波系数能很好的反映不同思维脑电的特征.结论 小波分析方法可以有效抑制或消除噪声和提取反映不同思维的脑电特征,通过对构建出的小波系数特征作统计学上的特性分析发现不同思维脑电具有显著性差别,该特征为后续分析中得以被准确地转换(识别分类)提供了更为可靠的保证.     

基于稳态视觉诱发电位的手机拨号系统研究

利用人体生物电作为人与外部设备沟通的桥梁,是一种新的人机交互方式.依此开展了基于稳态视觉诱发电位(SSVEP)的脑电手机拨号系统的研究.设计一种基于视觉诱发电位的实时脑-机接口系统,用于控制拨打手机号码.该系统采用单片机设计视觉刺激器,同时在LabVlEW平台上,利用功率谱估计实时提取诱发电位向量,产生脑-机接口控制命令,用于TC35无线模块拨打手机号码.通过5位受试者各10次实验验证,所设计的基于稳态视觉诱发电位的脑电手机拨号系统,识别正确率最高达到100％,平均正确率98％,拨打任意一个11位手机号码的平均时间低于65 8,并且能保证正确拨打每一个号码.证明该系统的方案是可行的,具有较高的应用价值.     

基于Labview的脑机接口实时系统

目的在Active One生理信号采集系统基础上实现脑机接口实时系统。方法系统利用瞬态视觉诱发电位来实现脑机接口,软件采用Labview7.1编程实现。设计四个刺激模块的脑机接口人机界面,采用同频次复合刺激方式实现多模块视觉刺激。应用累加平均与FIR滤波器提取视觉诱发电位信号,再通过计算相关系数实现信号识别。结果10名受试者参加了脑机接口实验。实验结果表明,基于Labview设计的视觉刺激器能够产生有效的视觉刺激。结论本文提出的实时信号处理方法提高了信噪比,实现了视觉诱发电位的提取与识别,能够判断出受试者所注视的目标,并将结果实时反馈到人机界面,实现了脑机接口实时系统。     

基于Fisher准则的单次运动想象脑电信号意图识别研究

为了实现脑机接口系统,对单次运动想象脑电信号的优化特征进行了提取与分类。针对运动想象脑电信号的特点,通过预处理得到脑电信号Mu节律成分,利用共空间模式算法在优化空间滤波下提取了运动想象脑电信号的特征。使用Fisher判别分析进行分类决策,并通过交叉验证与受试者操作曲线相结合的方法对分类性能进行综合评价。以交叉验证方式对应用空间滤波进行投影的特征维度确定问题进行深入讨论,评价结果表明本文方法在保证较高的准确率的同时可提高运行速度。基于优化的脑电特征进行运动想象意图分类,能够反映不同状态的差异并简化识别流程,为意图识别研究提供了一种准确高效的新方法。     

基于脑电运动速度想象的单次识别研究

基于运动想象脑电节律活动的脑-机接口是脑-机接口系统研究中的重要范式之一。本研究给出一种基于运动速度想象的新的研究范式,探索在该研究范式下对运动速度想象具有反应性的脑电节律活动,并进行单次识别。采集了4个健康志愿者想象左手食指快速运动(4 Hz)和慢速运动(1 Hz)时的脑电信号,速度由节拍器定节奏和训练。通过能量谱分析,在C3、Cz和C4通道发现了对运动速度想象具有反应性的频带:9 Hz至13 Hz。提取通道C3、Cz和C4上9 Hz至13 Hz频带能量构建特征空间,分别利用Fisher判别分析和多层感知器神经网络进行运动速度想象的单次识别,对于左手食指快速运动和慢速运动想象,Fisher判别分析和多层感知器神经网络取得的平均误分类率分别是27.7±1.2%,28.4±4.6%,正确识别率均在70%以上。结果表明,尽管运动速度想象的单次识别是一个困难的挑战,但通过精心设计研究范式,适当训练被试,能够诱发出对速度起反应的特征频带,基于脑电单次识别运动速度想象是可行的,该研究可望能够为脑-机接口提供额外的新的速度控制参数。     

A spatial-frequency-temporal optimized feature sparse representation-based classification method for motor imagery EEG pattern recognition

Effective feature extraction and classification methods are of great importance for motor imagery (MI)-based brain–computer interface (BCI) systems. The common spatial pattern (CSP) algorithm is a widely used feature extraction method for MI-based BCIs. In this work, we propose a novel spatial-frequency-temporal optimized feature sparse representation-based classification method. Optimal channels are selected based on relative entropy criteria. Significant CSP features on frequency-temporal domains are selected automatically to generate a column vector for sparse representation-based classification (SRC). We analyzed the performance of the new method on two public EEG datasets, namely BCI competition III dataset IVa which has five subjects and BCI competition IV dataset IIb which has nine subjects. Compared to the performance offered by the existing SRC method, the proposed method achieves average classification accuracy improvements of 21.568 and 14.38% for BCI competition III dataset IVa and BCI competition IV dataset IIb, respectively. Furthermore, our approach also shows better classification performance when compared to other competing methods for both datasets.     

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。     

基于四类运动想象任务的脑电信号识别

背景：脑-机接口是在大脑与外部设备之间建立的直接的交流通路,基于运动想象的脑-机接口研究已经从两类运动想象任务的识别发展到多类任务的识别。 目的：探寻准确有效的对多任务运动想象脑电信号进行特征提取及模式识别的方法。 方法：首先采用公共平均参考法减小多通道中各导联间的相关性,提高脑电信号的信噪比。并对公共空间模式算法进行扩展,采用“一对多”的策略,对4类任务的脑电信号进行特征提取,在模式识别过程中,采用基于决策树法的支持向量机进行分类。对于实验对象样本不充足,结合支持向量机和贝叶斯分类器,将分类结果中具有大概率的测试样本扩充到训练集,最后再次运用支持向量机进行分类。 结果与结论：最佳正确率达到92.78%,“一对多”的公共空间模式和基于决策树的支持向量机可以有效地进行多任务脑电信号识别,扩充样本可以提高分类正确率。     

一种运动想象脑机接口训练系统的设计

目的 为提高运动想象的脑机接口训练速度和效率,本文设计了一种训练系统.系统功能主要包括参数设置、EEG采集、特征提取、分类及其结果反馈、分类器模型建立.方法 在训练系统设计中,首先使用VC＋＋编写的脑电信号采集软件获取脑电信号,而后通过TCP/IP实现与MATLAB之间的数据传输,在MATLAB中实现特征提取与分类识别,并将识别结果实时反馈给受试者,使受试者能够及时调整自身状态,并选择合适的反馈方式,从而在较短时间内生成有效的分类器模型.结果 该系统具有接口方便、功能强大、界面友好的特点,通过建立的在线系统对训练系统进行了初步检验.结论 该系统可使使用者进行方便有效的训练,进而缩短训练时间并提高脑机接口系统的识别正确率,为脑机接口应用系统的实现奠定了基础.     

Evaluation of feature extraction methods for EEG-based brain–computer interfaces in terms of robustness to slight changes in electrode locations

To date, most EEG-based brain–computer interface (BCI) studies have focused only on enhancing BCI performance in such areas as classification accuracy and information transfer rate. In practice, however, test–retest reliability of the developed BCI systems must also be considered for use in long-term, daily life applications. One factor that can affect the reliability of BCI systems is the slight displacement of EEG electrode locations that often occurs due to the removal and reattachment of recording electrodes. The aim of this study was to evaluate and compare various feature extraction methods for motor-imagery-based BCI in terms of robustness to slight changes in electrode locations. To this end, EEG signals were recorded from three reference electrodes (Fz, C3, and C4) and from six additional electrodes located close to the reference electrodes with a 1-cm inter-electrode distance. Eight healthy participants underwent 180 trials of left- and right-hand motor imagery tasks. The performance of four different feature extraction methods [power spectral density (PSD), phase locking value (PLV), a combination of PSD and PLV, and cross-correlation (CC)] were evaluated using five-fold cross-validation and linear discriminant analysis, in terms of robustness to electrode location changes as well as regarding absolute classification accuracy. The quantitative evaluation results demonstrated that the use of either PSD- or CC-based features led to higher classification accuracy than the use of PLV-based features, while PSD-based features showed much higher sensitivity to changes in EEG electrode location than CC- or PLV-based features. Our results suggest that CC can be used as a promising feature extraction method in motor-imagery-based BCI studies, since it provides high classification accuracy along with being little affected by slight changes in the EEG electrode locations.     

空间滤波方法在脑-机接口中的应用及研究进展

随着脑-机接口技术的不断发展,通过优化数据处理算法来提高脑-机接口系统的分类正确率已成为研究热点。近年在多种脑-机接口范式中都发现空间滤波能够提高脑电信号的信噪比并优化特征提取,从而提升脑-机接口系统的分类正确率。空间滤波在基于脑电的脑-机接口中正日趋凸显其重要应用价值。综述脑-机接口中的脑电信号处理常用的空间滤波方法,包括基本空间滤波器、用于脑电预处理及特征降维的空间滤波器,以及基于诱发节律和诱发电位的脑-机接口中用于特征提取的空间滤波器,并阐述各类空间滤波方法的基本原理、构建方法及相关研究成果。最后归纳目前存在的问题并对发展趋势进行展望。     

基于PCA及SVM的运动想象脑电信号识别研究

为了解决脑机接口(BCI)中不同意识任务下运动想象脑电信号的分类问题,提出了一种基于PCA及SVM的识别方法。针对Hilbert-Huang变换和AR模型提取的脑电信号特征,首先采用主成分分析PCA对高维特征向量进行降维处理,然后用支持向量机进行分类。最后将本方法分类结果和Fisher线性分类、概率神经网络分类结果进行比较。实验结果表明,该方法分类正确率较高,复杂度低,具有一定的有效性,可用于脑机接口中。     

基于多通道线性描述符的脑-机接口分类算法的研究

脑电信号的特征提取是脑—机接口(BCI)中的一个关键部分,对提高分类正确率和信息传输率起着决定性的作用。本研究利用多通道线性描述符提取脑电信号的分类特征信息,将三个描述符单独和联合地施加于三个感兴趣的电极子集,导出12个特征矢量。五个受试参加了一个在线反馈BCI实验。实验期间他们被要求想象左手或右手运动,记录的脑电图数据用于离线分析。对来自7导和11导两个电极子集的8个特征矢量,五个受试平均的分类精度在89%和93.5%之间,而最好的分类精度在85%与99.9%之间。比较基于描述符的特征与基于自回归(AR)模型的特征分类性能,结果表明多通道线性描述符是一种有效的特征提取方法。使用该方法提取特征时,理想的电极数应在7与11之间。     

基于回声状态网络的脑电信号特征提取

在脑电(EEG)信号自动检测和分类的研究中,EEG信号的特征提取至关重要。本文分析了目前主要EEG信号特征提取方法的优缺点,并提出了一种基于回声状态网络(ESN)的EEG信号特征提取方法。该方法可以实现EEG信号的非线性特征提取,并且其特征提取过程是近似可逆的,因而在特征提取过程中损失的信息较少。该方法在EEG信号特征提取过程中,主要计算量是求解状态矩阵的伪逆,计算简单高效。在对波恩大学癫痫研究所的EEG数据库进行多类别分类的实验中,本文所提出的EEG信号特征提取方法展现出了良好的性能。     

基于PCA和LDA数据降维的脑磁图脑机接口研究

脑磁图(MEG)信号作为一种新的脑-机接口(BCI)输入信号,含有手运动方向的模式信息。通常对MEG信号采用信号处理的特征提取和线性分类,识别率一直难于提高。本文提出用主成分分析(PCA)方法对其进行特征提取,并用线性判别分析(LDA)进行了优化,最后用最近邻非线性分类器进行分类,在分类结果的基础上分析了混淆矩阵。实验结果表明PCA+LDA方法能有效的分析多通道的MEG信号,平均识别率达到了53.0%,优于BCI竞赛Ⅳ的识别率46.9%。