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.     

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。     

节律自适应的运动想象脑电空域特征提取方法

目的：针对运动想象脑电（MI-EEG）信号个体差异性大，特征质量依赖频带的选择，导致多类MI-EEG信号识别效果差的问题，提出节律自适应的空域特征提取方法。方法：用滤波器组共空间模式（FBCSP）提取多个频带的空域特征，结合免疫粒子群优化算法，对特征提取过程中的频、空参数寻优，实现节律、空域特征提取参数的自适应调整，获取最优节律下的FBCSP空域特征，提升多类MI-EEG信号的识别准确率。结果：本文方法在BCI-Ⅳ Dataset 2a、BCI-ⅢDataset 3a数据集上取得85.49%的平均准确率，较原始FBCSP方法提升10.84%。结论：本文方法更好地获取了脑电空域特征，能有效提高分类正确率，为MI-EEG分类提供了新的解决思路。     

面向运动意图解码的共空间模式及其扩展算法研究综述

运动想象脑-机接口(MI-BCI)在人体运动功能康复、替代、增强等方面具有重要研究意义与应用价值。共空间模式(CSP)算法旨在增强MI诱导头皮脑电(EEG)特征的差异性,是当前使用最广泛的MI范式特征提取算法之一。但因其未考虑EEG的时、频域等信息,且对噪声和偏离值敏感,导致分类器识别性能有限、鲁棒性低。回顾CSP及其扩展算法的发展历程,从多模态信息优化、正则优化以及其他空间映射优化方法等三方面详细介绍相关扩展算法的基本原理和关键步骤,并探讨其实际面临的挑战和预测其未来发展趋势,以期促进相关BCI技术的深入研究与开发应用。     

脑机接口中多线性主成分分析的张量特征提取

脑机接口(BCI)可以直接通过脑电(EEG)信号控制外部设备。本文针对传统主成分分析(PCA)和二维主成分分析(2DPCA)处理多通道EEG信号的局限性,提出了多线性主成分分析(MPCA)的张量特征提取和分类框架。首先生成张量EEG数据,然后进行张量降维并提取特征,最后用Fisher线性判别分析分类器进行分类。实验中将新方法应用到BCI competitionⅡ数据集4和BCI competitionⅣ数据集3,分别使用了EEG数据的时空二阶张量表示形式和时空频三阶张量表示形式,通过对可调参数多次调试,取得了高于其它同类降维方法的最佳结果。二阶输入最高正确率分别达到81.0%和40.1%,三阶输入分别达到76.0%和43.5%。     

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。     

脑机接口中一种多类运动想象任务识别新方法

目的针对脑机接口中三类运动想象任务,提出一种最小二乘法自适应滤波结合独立成分分析以及样本熵(RLS-ICA-Samp En)、多类共同空间模式(CSP)、增量式支持向量机(ISVM)相结合的脑电识别新方法,以解决脑机接口中多类运动想象正确率低的问题。方法首先采用ICA将EEG分离,然后利用样本熵自动识别分离后的噪声,再采用RLS对识别出来的噪声进行滤波,最后进行信号重构,得到去除噪声的脑电信号。多类CSP采用"一对一"CSP与多频段滤波相结合,对去噪后的脑电信号进行特征提取。通过"一对多"方式的ISVM对三类运动想象脑电信号获取的特征向量进行分类。为检验新方法的有效性,将本文方法与多类CSP+ISVM(方法 1)及RLS-ICA+多类CSP+ISVM(方法 2)进行比较。结果对三类想象任务而言,本文方法识别正确率与方法 1和2相比均高8%左右。结论与方法1和2比较,RLS-ICA-Samp En、多类CSP、ISVM相结合的脑电识别新方法能更好地适用于多类运动想象任务识别。     

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%。     

基于深度学习的头皮脑电信息解码研究进展

头皮脑电(EEG)拥有毫秒级时间分辨力,可实时获取大脑意念认知、思维决策的神经电生理信息。EEG已广泛用于脑成像研究,并成为21世纪神经科学与工程研究开发的重要工具之一。但受颅内组织容积导电效应的影响,使其信噪比与空间分辨率较差,信息解码严重受阻。随着本世纪深度学习(DL)的快速兴起与深入发展,研究者开始尝试将深度学习与脑科学研究相结合,探究深度学习应用于脑电数据处理的新方法,并已取得瞩目的阶段性成果,但采用现有方法进行EEG信息解码仍面临诸多急需解决的难题。结合近些年深度学习在EEG数据处理领域的研究和应用,综合论述目前主流DNN模型结构在EEG信息解码领域的研究现状及进展成果,分析归纳其潜力优势与瓶颈难题及未来趋势,以促进深度学习解码脑电信息的研究更深入有效发展。     

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.     

Optimizing spatial filters for single-trial EEG classification via a discriminant extension to CSP: the Fisher criterion

In this article, a new spatial filtering approach, called discriminant common spatial patterns (dCSP), is proposed for single-trial EEG classification. Unlike the conventional common spatial patterns (CSP) that is substantially a subspace decomposition technique, dCSP is intently designed for discriminant purpose. The basic idea of dCSP is to construct a Fisher-like criterion that extracts both between-class and within-class discriminant information. The classical CSP only considers separating class means, i.e., between-class scatter, as well as possible. In contrast, dCSP aims to maximize between-class scatter and meanwhile minimize within-class scatter. Computationally, dCSP is formulated as a generalized eigenvalue problem. Experiments on real EEG classification show the effectiveness of the proposed method.     

基于CSP算法与小波包分析方法的运动想象脑电信号特征提取性能的比较

运动想象脑电特征快速准确提取是脑-机接口技术研究的重要问题.本研究分别讨论了共同空间模式(common spatial pattern, CSP)与小波包分析关于左右手运动想象特征提取的原理,并对两种方法进行了比较.对于GRAZ大学提供的运动想象脑电数据,使用CSP 与支持向量机(support vector machine, SVM)结合的分类正确率最高为85.5%;使用小波包分析与SVM结合的分类正确率最高为99%.同时对于本实验室采用Emotiv epoc+ 系统采集的运动想象脑电数据,利用小波包分析与 SVM结合的分类正确率也保持在98%以上.实验结果表明,相较于CSP算法,小波包分析对于运动想象特征提取的效果更好.     

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.     

脑电信号识别及其在机械手臂控制中的应用

传统的时频分析方法利用的空间信息少,分类准确率低,针对此问题,本研究采用共空间模式算法对脑电信号进行特征提取,并利用支持向量机对特征进行分类,最后通过串口将分类识别的结果用于控制机械手臂的运动。实验结果表明,共空间模式算法适用于基于运动想象的脑电信号特征提取,能有效克服传统时频特征提取方法空间信息利用不足的缺点,本次实验中的平均分类精度为86．1％。     

Comparing ICA-based and Single-Trial Topographic ERP Analyses

Single-trial analysis of human electroencephalography (EEG) has been recently proposed for better understanding the contribution of individual subjects to a group-analyis effect as well as for investigating single-subject mechanisms. Independent Component Analysis (ICA) has been repeatedly applied to concatenated single-trial responses and at a single-subject level in order to extract those components that resemble activities of interest. More recently we have proposed a single-trial method based on topographic maps that determines which voltage configurations are reliably observed at the event-related potential (ERP) level taking advantage of repetitions across trials. Here, we investigated the correspondence between the maps obtained by ICA versus the topographies that we obtained by the single-trial clustering algorithm that best explained the variance of the ERP. To do this, we used exemplar data provided from the EEGLAB website that are based on a dataset from a visual target detection task. We show there to be robust correpondence both at the level of the activation time courses and at the level of voltage configurations of a subset of relevant maps. We additionally show the estimated inverse solution (based on low-resolution electromagnetic tomography) of two corresponding maps occurring at approximately 300 ms post-stimulus onset, as estimated by the two aforementioned approaches. The spatial distribution of the estimated sources significantly correlated and had in common a right parietal activation within Brodmann’s Area (BA) 40. Despite their differences in terms of theoretical bases, the consistency between the results of these two approaches shows that their underlying assumptions are indeed compatible.     

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。     

Pattern recognition approach to the detection of single-trial event-related functional magnetic resonance images

Functional magnetic resonance imaging (FMRI) is an imaging technique for determining which regions of the brain are activated in response to a stimulus or event. Early FMRI experiment paradigms were based upon those used in positron emission tomography (PET), i.e. employing a block design consisting of extended periods of ‘on’ against ‘off’ activations. More recent experiments were based on event-related FMRI, harnessing the fact that very short stimuli trains or single events can generate robust responses. FMRI data suffer from low signal-to-noise ratios, and typical event-related experiment paradigms employ selective averaging over many trials before using statistical methods for determining active brain regions. The paper reports a pattern recognition approach to the detection of single-trial FMRI responses without recourse to averaging and at modest field strengths (1.5T). Linear discriminant analysis (LDA) was applied in conjunction with different feature extraction techniques. Use of the unprocessed data samples as features resulted in singletrial events being classified with an accuracy of 61.0±9.5% over five subjects. To improve classification accuracy, knowledge of the ideal template haemodynamic response was used in the feature extraction stage. A novel application of parametric modelling yielded an accuracy of 69.8±6.3%, and a matched filtering approach yielded an accuracy of 71.9±5.4%. Single-trial detection of event-related FMRI may yield new ways of examining the brain by facilitating new adaptive experiment designs and enabling tight integration with other single-trial electrophysiological methods.     

基于共空间模式算法和支持向量机二重分类的癫痫发病预测

目前癫痫患者的发病预测手段十分耗时且易受主观因素干扰,因此文中提出了一种基于共空间模式算法(CSP)和支持向量机(SVM)二重分类的癫痫发病自动预测方法。此方法将提取空域特征的共空间模式算法应用到癫痫脑电信号检测中,但是该算法未考虑信号的非线性动力学特征且忽略了其时频信息,所以在特征提取阶段选取了标准差、熵和小波包能量这几种互补特征来进行组合。分类过程采取一种基于支持向量机的全新二重分类模式,即将癫痫患者正常期、发作间期和发作期三个阶段分成正常期和准发病期(包括发作间期和发作期)两类进行支持向量机识别,然后对属于准发病期的样本进行发作间期和发作期的分类,最终实现三个时期的分类识别。实验数据来自德国波恩大学的癫痫研究数据库。实验结果显示,第一重分类平均识别率为98.73%,第二重分类平均识别率可达99.90%。结果表明,引入空域特征和二重分类模式能够有效解决众多文献中发作间期和发作期识别率不高的问题,提升各个时期的识别效率,为癫痫患者的发病预测提供有效的检测手段。