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。     

基于辅助训练的半监督稀疏表示分类器用于脑电图分类

脑机接口(BCI)脑电图(EEG)分类能实现人脑直接与外部环境的信息交互。提出了基于辅助训练思想的半监督稀疏表示分类器方法在BCI EEG分类中的应用。首先采用稀疏表示分类器从未标记样本中选择部分相关度较高的样本。其次采用Fisher线性分类器作为判别分类器得到已选样本的边界信息。通过距离大小和方向判别条件进一步选出高置信度样本。本文对三组基准数据集BCIⅠ、BCIⅡ_Ⅳ和USPS分别进行仿真实验,分类正确率分别为97%、82%和84.7%,运算速度最快的仅需约0.2s。在分类正确率和运算效率两个方面,均优于自训练半监督SVM、有导师SVM两种方法。     

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%。     

基于左右手运动想象单通道脑电信号的预处理研究

在左右手运动想象的脑电(EEG)分析方法中,目前大多针对多通道采集的EEG数据,难以应用到单通道脑机接口(BCI)中。本文采用一种改进的独立成分分析(ICA)方法,实现了对EEG数据有效的预处理。首先,对数据进行线性漂移校正,去除数据漂移;然后采用延时窗口数据增加虚拟通道数,利用ICA除去EEG数据中的伪迹,即眼电和心电;最后利用希尔伯特-黄变换(HHT)后的瞬时幅值,求平均瞬时能量特征并分类。实验证明,该方法测试性完成了EEG数据的预处理工作,提高了单通道EEG信号的分类率,可为单通道的便携式BCI研究打下基础。     

基于互信息与主成分分析的运动想象脑电特征选择算法

针对脑机接口中运动想象任务的特征选择问题,提出一种基于互信息与主成分分析的脑电特征选择算法。该算法融入类别信息,用不同运动想象类别条件下特征间的互信息矩阵之和取代传统主成分分析算法中的协方差矩阵,其特征向量表示新的主成分空间内各主成分的方向,特征值则作为评价准则判断主成分维数。对2005年国际BCI竞赛数据集,联合功率谱估计、连续小波变换、小波包分解、Hjorth参数四种方法进行特征提取,采用所提出的算法进行特征选择并与主成分分析算法对比,实验结果表明,所提出算法的降维效果更好,以支持向量机为分类器,相同维数的主成分,所得分类正确率更高。     

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%。     

基于独立分量优化子带特征的三类运动想象分类

在基于头皮脑电(EEG)信号的脑-机接口(BCI)研究中,用户个体差异性和背景噪声的复杂性是影响BCI系统稳定性的两个主要因素。因此需要针对不同个体进行BCI系统参数优化,其中包括对时域、空域滤波器参数的优化设计和分类器参数的学习。本文以提高BCI系统的准确性为目标,提出了一种结合独立分量分析空域滤波器(ICA-SF)优化设计和EEG多子带特征的BCI信息处理新方法。基于所提方法,对4位受试者在不同时间采集的三类运动想象EEG(MI-EEG)进行分析。实验结果表明,在同一受试者的自交叉测试和不同受试者数据集之间的互交叉验证中,多子带特征结合方法所得到的平均识别率比仅使用单频带所得的平均识别率普遍提高,识别率最大提升可达6.08%和5.15%。     

脑机接口中基于SOBI的EEG预处理

目的针对脑机接口(brain computer interface,BCI)中脑电信号(electroencephalography,EEG)包含的伪迹以及信号源可能服从多个高斯分布,本文提出一种基于二阶盲辨识(second-order blindidentification,SOBI)的盲源分离去除伪迹方法。方法首先,含有伪迹的多个导联EEG信号采用联合近似对角化和数据白化,计算出混合矩阵,同时分解成数目相等的若干个独立分量。然后,根据伪迹信号特有的直观特性,将分解出含有伪迹的独立分量置零,剩余分量通过混合矩阵,进行逆向投影重构,得到去除伪迹后EEG信号。最后,对3名实验者的实验数据,从处理时间和识别精度两方面进行检验。结果本文中提出的SOBI方法相比于常用的独立成分分析(independent component analysis,ICA),在单个样本处理时间上,分别缩短了1691 ms、1770 ms和2308 ms;在识别精度上,分别提高33%、5%和10%。结论 SOBI能快速有效地去除伪迹信号,为BCI中EEG的在线处理奠定了基础。     

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。     

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。     

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。     

不同思维作业电信号的高准确度模式分类

本文采用独立分量(ICA)分析对不同思维作业的脑电(EEG)信号进行预处理,再用自回归(AR)参数模型提取EEG信号特征,最后利用BP网络完成对特征样本集的训练和分类.实验结果表明,所采用的方法提高了脑电思维模式作业的准确度,对两种到五种不同思维作业未经训练的数据的平均分类准确度达到79%以上,超过现有文献报道的结果.     

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%。     

基于判别混合高斯模型的信息积累方法及在脑机接口中的应用

设计有效的学习算法快速准确地对脑电信号(eelectroencephalogram,EEG)进行连续预测是脑机接口(brain-computer interface,BCI)研究的关键之一.本文提出了一种新颖的基于判别混合高斯模型(discriminative gaussian mixture model,DGMM)的信息积累方法.该方法通过区分度权值对分类器在各时段的输出进行积累,从而达到提高脑电信号分类精度的作用.在两个运动想象数据集上的实验结果表明该方法能够提高BCI系统的性能,具有较好的实用性.     

脑电信号的小波特征提取及半监督识别方法的研究

特征提取和特征分类是脑机接口中模式识别过程中两个关键的环节。首先,针对脑电信号的非平稳特性,提出基于小波变换系数、系数均值及小波熵相结合的特征提取方法,该方法在特征中加入了脑电信号的能量信息。实验证明,通过该方法获取的P300信号特征量能够更好地表达脑电信号中的瞬变成分,进一步提高了识别率;其次,在模式识别方面,改进了基于自训练半监督的支持向量机算法和基于自训练半监督的K均值聚类算法。在BCI2003竞赛数据集上的实验表明,相比于传统的BP神经网络,两种改进的分类算法在获得了更高的识别率的同时,能够将特征量维数降低一个数量级,明显提高了训练收敛速度,有效增加了基于脑电信号的实时BCI系统的可实现性。     

脑机接口中鉴别公共矢量特征提取方法研究

鉴别公共矢量(DCV)是一种针对人脸识别中小样本采样问题而提出的有效监督方法。在脑机接口(BCI)中采集的脑电信号,其样本数是远远小于样本空间维数的,也就是通常所谓的小样本采样问题。直接在数据上采用Fisher线性判别分析(LDA)特征提取则会由于类内离散矩阵的奇异性导致计算上的误差。本文采用DCV方法,借鉴了公共矢量的理论,用全部数据的类内离散矩阵获取公共矢量,然后对公共矢量应用特征值分解求取投影向量;用核鉴别公共矢量(KDCV)方法针对不同核函数做了分析比较。实验中,采用BCI竞赛一数据集、竞赛二数据集IV以及一组真实数据分别做了测试,结果分别达到93%、77%和97%。实验表明,该特征提取方法能很好地将想象数据分类。     

基于共空间模式方法的多类运动想象脑电的导联选择

脑-机接口(BCI)中常用高密度导联来获取脑电(EEG)信号的空间信息,为了避免使用过多导联给EEG采集工作带来不便,消除无关的噪声通道,本文提出了一种基于共空间模式(CSP)的导联优化方法,基于CSP方法得到的投影矩阵,使用2-范数的导联筛选准则,筛选出在投影空间中权重较大的M个导联,目的是用较少的导联来获得与使用高密度导联相近的分类识别率。实验数据使用BCI Competition 2005DatasetⅢa,针对三个受试者的三类运动想象(左手、右手和脚),分别比较了使用该方法选择的导联和使用全部导联情况下得到的分类识别率。实验表明,使用筛选后的20导联得到的三个受试者的分类识别率,均高于使用全部60导联得到的分类识别率,从而验证了所提出方法的有效性和实用性。     

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.