基于连续小波变换和支持向量机的手动想象脑电分类

对左右手运动想象脑电信号进行准确分类是脑-机接口（BCI）研究领域的重要问题。本文利用连续小波变换（CWT）提取脑电信号中相应的手动想象特征信号，并通过支持向量机（SVM）对特征信号进行分类，取得了较好的分类效果，然后经过分析SVM的学习算法，讨论了对于SVM的分类有着关键影响的时间成分，反映出传统的ERD／ERS计算方法可能出现的问题。     

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Jensen熵的运动想象脑电信号稳态子空间分析

目的虽然稳态子空间分析(stationary subspace analysis,SSA)算法在脑电研究领域取得了一定的成效,但目前该算法还不够完善,脑电数据分类误差还比较大,因此要想更好地研究脑电信号,就必须进一步加强算法优化,减少分类误差。本文提出了一种基于Jensen熵(Jensen-Shannon divergence,JSD)的稳态子空间分析算法,并将改进后的算法应用到二类和四类运动想象脑电信号中。方法将JSD代替原SSA算法中的KL散度(Kullback-Leibler divergence,KLD),对改进后的算法(以下简称为JSSA算法)进行模拟仿真,然后将SSA算法和JSSA算法应用到二类和四类运动想象脑电信号中,对Graz2003和Graz2008数据集进行分类提取,并用t检验方法考量SSA算法和JSSA算法所得到的分类准确率是否有显著提高。结果相比于普通算法,SSA算法可以提高运动想象脑电数据的分类准确率,而且基于JSSA算法比基于SSA算法能使运动想象脑电信号分类效果更加准确。结论基于Jensen熵的运动想象脑电信号稳态子空间分析算法相比于SSA算法准确率更好,从而可以使运动想象脑电分类准确率更高。     

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。     

表面肌电的支持向量机分类

支持向量机(SVM)是一种新的机器学习机制.研究了基于支持向量机的控制假手表面肌电识别方法和性能,并与反向传播(BP)神经网络分类器进行了比较.分类的六种手腕部动作分别是腕内旋、腕外旋、展拳、握拳、肘部外旋、肘部内旋.利用"一对一"的分类策略和二叉树构造多类SVM分类器.核函数分别采用多项式和径向基函数.实验结果表明SVM可以有效地对表面动作肌电进行分类,SVM分类准确率普遍优于传统的BP神经网络,且具有良好的泛化推广能力.不同的核函数对分类准确率影响较小.     

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％。     

基于Hurst指数和SVM的癫痫脑电检测方法

癫痫脑电波的自动检测对于患者诊断和减轻医生工作强度都具有重要的意义。提出一种基于Hurst指数和SVM的癫痫脑电检测算法。首先提取脑电信号的Hurst指数,然后对脑电进行3 Hz～8.5 Hz、8.5 Hz～16.5 Hz、16.5 Hz～29 Hz带通滤波并分别计算波幅的相对均值,最后使用SVM分类器实现癫痫脑电波的自动检测。对临床脑电信号的实验表明,该方法具有较强的检测性能和良好的实时性,准确率达到98.75%。所提出的Hurst指数和波幅相对均值作为特征,采用SVM的分类方法能有效实现癫痫脑电的检测,值得更深入的研究。     

基于二维图谱转换的心电信号分类方法

目的 提出一种基于二维图谱转换的心电信号分类方法，以期为临床应用提供参考。方法首先通过格拉姆角场将一维心电信号转换成二维图像，其次对图像提取灰度共生矩阵和颜色矩特征，并运用支持向量机（support vector machines,SVM）对心律失常信号分类，最后使用MIT-BIH公共数据集对此分类器进行训练和测试。结果 该方法分类的总准确率为99.9%，可实现对心律失常的有效分类。结论与传统波形形态分类算法相比，本文提出的将信号转换成二维图谱的分类方法有效解决了模型抗干扰能力差的问题，从而提升了分类器的准确率，具有潜在的临床应用可行性。     

基于脑电主成分分析和k-最近邻的多动症儿童与正常儿童分类研究

本文尝试通过脑电信号检测方法辅助多动症儿童进行临床个体化诊断。首先基于一种经典的干扰控制试验任务Simon-spatial Stroop范例采集14名多动症儿童和16名正常儿童的脑电数据,并完成滤波、分段、去伪迹等预处理;然后采用主成分分析(PCA)进行电极优化选择,分别选取每种刺激模式下出现率90%以上的优化电极作为共有电极,并提取共有电极潜伏期(200~450ms)波幅的均值特征;最后采用基于欧氏距离的k-最近邻(KNN)和基于径向基核函数的支持向量机(SVM)分类器来分类。实验发现同种试验任务中多动症儿童比正常儿童表现出更低的反应正确率和更长的反应时间;多动症儿童与正常儿童的前额叶优化电极均出现N2,顶枕叶均有P2出现,且多动症儿童的峰值更低;在该实验中KNN分类准确率高于SVM分类器,StI刺激模式下KNN分类器的最高分类准确率为89.29%。以上结果说明,干扰控制试验中多动症儿童与正常儿童的前额叶及顶枕叶的脑电信号存在差异,该结果可为多动症个体的脑电信号临床诊断提供一定科学依据。     

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Adaboost技术的大脑运动意识任务分类

本文提出了应用机器学习技术Adaboost算法与Fisher判别式分析作为基本分类器相结合的方法,实现大脑想象左右手运动意识任务的分类.利用Morlet小波滤波方法提取优化的运动相关脑电特征,对两组实验数据4个受试者运动相关脑电模式进行分类,平均最大分类正确率达到88.11%.通过最大分类正确率,最大互信息等评价指标比较,验证了Adaboost技术在改善大脑运动意识任务分类性能的有效性,从而为脑机接口系统应用中大脑运动意识任务分类提供了新的思路.     

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。     

一种基于改进经验模态分解的癫痫脑电识别新方法

在临床癫痫诊断过程中,为了提高癫痫脑电的识别率,能在癫痫发作前期就预测到癫痫疾病,其特征波的提取至关重要。针对这一问题,提出将平行延拓与镜像延拓相结合来改进EMD算法。首先,使用平行延拓的方法,在原始脑电信号的左、右端点处分别预测出一个极值;然后,使用基于镜像延拓的EMD方法,对信号进行镜像延拓,以避免经验模态分解过程中的端点效应;最后,采用支持向量机进行信号的分类识别。算法验证数据取自德国伯恩大学癫痫研究中心的脑电数据库,其中50例是正常脑电信号、50例是癫痫发作间期的脑电信号。实验研究表明：该方法对总测试脑电信号的识别率达到94%。其中,正常脑电信号和癫痫脑电信号的独立识别率均为94%,比传统EMD算法处理后的脑电识别率提高了5%,可见该方法可以有效地预测癫痫脑电。     

Classification of multichannel EEG patterns using parallel hidden Markov models

In this paper, a parallel hidden-Markov-model (PHMM)-based approach is proposed for the problem of multichannel electroencephalogram (EEG) patterns classification. The approach is based on multi-channel representation of the EEG signals using a parallel combination of HMMs, where each model represents a particular channel. The performance of the proposed algorithm is studied using an artificial EEG database, and two real EEG databases: a database of two classes of EEGs elicited during a task of imagery of hand upward and downward movements of a computer screen cursor (db Ia), and a database of two classes of sensorimotor EEGs elicited during a feedback-regulated left–right motor imagery task (db III). The results show that the proposed algorithm outperforms other commonly used methods with classification rate improvement of 2 and 10% for db Ia and db III, respectively. In addition, the proposed method outperforms a support vector machine classifier with a linear kernel, when both classifiers utilize the same feature set. The results also show that a model architecture which includes a left-to-right scheme with no skips, five states and three Gaussians, outperforms the other tested architectures due to the fact that it allows a better modeling of the temporal sequencing of the EEG components.     

Comparison of feature selection and classification methods for a brain–computer interface driven by non-motor imagery

The aim of this study was to compare methods for feature extraction and classification of EEG signals for a brain–computer interface (BCI) driven by auditory and spatial navigation imagery. Features were extracted using autoregressive modeling and optimized discrete wavelet transform. The features were selected with exhaustive search, from the combination of features of two and three channels, and with a discriminative measure (r ²). Moreover, Bayesian classifier and support vector machine (SVM) with Gaussian kernel were compared. The results showed that the two classifiers provided similar classification accuracy. Conversely, the exhaustive search of the optimal combination of features from two and three channels significantly improved performance with respect to using r ² for channel selection. With features optimally extracted from three channels with optimized scaling filter in the discrete wavelet transform, the classification accuracy was on average 72.2%. Thus, the choice of features had greater impact on performance than the choice of the classifier for discrimination between the two non-motor imagery tasks investigated. The results are relevant for the choice of the translation algorithm for an on-line BCI system based on non-motor imagery.     

Classification of multi-class motor imagery with a novel hierarchical SVM algorithm for brain–computer interfaces

Pattern classification algorithm is the crucial step in developing brain–computer interface (BCI) applications. In this paper, a hierarchical support vector machine (HSVM) algorithm is proposed to address an EEG-based four-class motor imagery classification task. Wavelet packet transform is employed to decompose raw EEG signals. Thereafter, EEG signals with effective frequency sub-bands are grouped and reconstructed. EEG feature vectors are extracted from the reconstructed EEG signals with one versus the rest common spatial patterns (OVR-CSP) and one versus one common spatial patterns (OVO-CSP). Then, a two-layer HSVM algorithm is designed for the classification of these EEG feature vectors, where “OVO” classifiers are used in the first layer and “OVR” in the second layer. A public dataset (BCI Competition IV-II-a)is employed to validate the proposed method. Fivefold cross-validation results demonstrate that the average accuracy of classification in the first layer and the second layer is 67.5 ± 17.7% and 60.3 ± 14.7%, respectively. The average accuracy of the classification is 64.4 ± 16.7% overall. These results show that the proposed method is effective for four-class motor imagery classification.     

Fuzzy support vector machine for classification of EEG signals using wavelet-based features

Translation of electroencephalographic (EEG) recordings into control signals for brain–computer interface (BCI) systems needs to be based on a robust classification of the various types of information. EEG-based BCI features are often noisy and likely to contain outliers. This contribution describes the application of a fuzzy support vector machine (FSVM) with a radial basis function kernel for classifying motor imagery tasks, while the statistical features over the set of the wavelet coefficients were extracted to characterize the time–frequency distribution of EEG signals. In the proposed FSVM classifier, a low fraction of support vectors was used as a criterion for choosing the kernel parameter and the trade-off parameter, together with the membership parameter based solely on training data. FSVM and support vector machine (SVM) classifiers outperformed the winner of the BCI Competition 2003 and other similar studies on the same Graz dataset, in terms of the competition criterion of the mutual information (MI), while the FSVM classifier yielded a better performance than the SVM approach. FSVM and SVM classifiers perform much better than the winner of the BCI Competition 2005 on the same Graz dataset for the subject O3 according to the competition criterion of the maximal MI steepness, while the FSVM classifier outperforms the SVM method. The proposed FSVM model has potential in reducing the effects of noise or outliers in the online classification of EEG signals in BCIs.