基于个体自适应的运动想象脑电信号特征表征研究

针对运动想象脑电信号因受试者个体差异导致辨识精度低的问题,本文提出了基于个体自适应的运动想象脑电信号特征表征方法。首先从个体差异和频带信号特点出发,提出了基于拓展式相关特征(ReliefF)的自适应通道选择方法;通过提取各频带信号5个时频域观察特征,运用ReliefF算法对各频带信号通道进行有效性评估,进而实现各频带信号通道选择。其次提出了基于快速相关滤波算法(FCBF)的共空间模式(CSP)特征表征方法(CSP-FCBF);通过CSP提取脑电信号特征,运用FCBF进行特征优化得到最优特征集,从而实现运动想象脑电信号状态有效表征。最后使用支持向量机(SVM)作为分类器进行分类辨识。实验分析结果表明,本文所提方法能有效实现运动想象脑电信号状态表征,四类状态平均辨识精度达到了(83.0±5.5)%,较传统的CSP特征表征方法提高6.6%。本文在运动想象脑电信号特征表征方面取得的研究成果,为实现自适应的脑电信号解码及其应用奠定了基础。     

运动想象脑电信号的特征提取和分类进展

运动想象脑电信号是指想象肢体运动而没有实际的肢体动作所产生的脑电信号.信号处理和模式分类方法是运动想象脑电信号以及整个BC1系统的核心技术.本文对基于运动想象的脑电信号的识别算法进行了综述.阐述了运动想象脑电特征提取和分类的方法,比较了各种方法的特点,分析了几种典型的特征提取和识别算法的组合,并且总结了运动想象脑电信号的特征提取和分类的发展现状和前景.     

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。     

脑电神经反馈训练在提高工作记忆中应用的研究与挑战

脑电（EEG）神经反馈技术是基于脑科学和行为认知科学发展形成的一种非侵入式、改善大脑功能和结构的训练方法。工作记忆是个体在心理认知活动中保持和加工信息的记忆系统,在人类学习、推理和创造力等高级认知活动中发挥着重要作用。将EEG神经反馈技术应用于工作记忆训练中,能有效提升个体工作记忆绩效,调节个体的精神、情感状态及相关脑区的认知功能。本文以EEG神经反馈技术在工作记忆训练中的应用研究与挑战为综述对象,从EEG神经反馈调控工作记忆的神经信息处理工程、EEG神经反馈作用工作记忆的相关激活脑区、基于EEG神经反馈工作记忆训练的系统构成和训练类型、基于EEG神经反馈的工作记忆训练系统的影响因素,以及对目前相关研究存在的问题和未来研究发展趋势等情况进行全面综述。     

脊髓小脑共济失调的运动想象脑电信号分析

通过基于运动想象脑电信号的脑机接口系统, 研究对比了5名脊髓小脑共济失调患者和5名健康受试者,在运动想象状态与思想放松状态下的脑电信号功率谱、地形图、差值地形图等指标。研究发现,同健康受试者相比,脊髓小脑共济失调患者的事件相关去同步相关区域有所扩大,而且相关域的面积与共济失调功能分级近似呈线性关系。因此可以利用运动想象脑电信号,判断受试者是否存在脊髓小脑共济失调病症以及症状轻重程度。另外,健康受试者利用脑-机接口系统对光标运动控制的平均成功率为8425%,脊髓小脑共济失调患者为6575%。实验表明,同健康受试者相比,脊髓小脑共济失调患者的实验成功率明显降低,但仍可以使用脑机接口系统实现外部控制。     

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。     

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。     

直接脑控多机器人协作任务研究

脑控是一种新的控制方法。传统脑控机器人主要是控制单个机器人完成特定任务,而脑控多机器人协作(MRC)任务是一个有待研究的新课题。本文介绍了参加世界机器人大赛"脑—机接口(BCI)脑控机器人比赛"获得"创新创意奖"的一个试验研究,试验设置了2个脑开关,采用基于稳态视觉诱发电位(SSVEP)的BCI(SSVEP-BCI)控制人形机器人和机械臂完成协作任务。通过10名受试者的控制试验结果表明,通过适当设置脑开关,采用性能优良的SSVEP-BCI能够实现MRC任务的有效完成。本研究可望为未来实用化的脑控MRC任务系统的研究提供启发。     

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。     

运动想象脑电信号特征提取与分类的黎曼方法研究

针对目前脑电信号分析与处理算法尚无法满足脑机接口技术的应用要求,本研究提出了一种基于黎曼空间的运动想象脑电信号特征提取与分类方法.该方法以脑电信号的功率谱密度矩阵作为特征,以黎曼距离作为不同种类脑电信号之间相似性/非相似性度量,使用K最近邻算法作为最终的分类方法,对不同运动想象脑电信号进行黎曼空间的分析与处理.为了验证...     

基于OpenBCI与OpenViBE的脑机接口设计

以OpenBCI为脑电信号采集平台,OpenViBE为脑电信号分析平台,并以源自大脑感觉运动皮层的μ节律和β节律为基础,采用共空间模式算法作为特征提取方法,结合高斯核支持向量机,研制用于机械臂控制的运动想象脑机接口,并通过实验对信号特征提取方法以及分类算法的效果进行评估。初步实验结果表明,采用共空间模式算法处理后的分类准确率高于表面拉普拉斯空间滤波器,且支持向量机的分类性能优于线性判别分析。本系统的控制准确率达95%以上,可实现机械臂的有效控制。未来的研究将探索如何通过自定义插件来提高OpenViBE的硬件控制功能。 【关键词】脑机接口;脑电信号;OpenBCI;OpenViBE;运动想像     

卒中后运动神经反馈康复训练研究进展与前景

脑卒中(stroke)是脑区突发血管病变引起局部功能障碍的综合病症,亦是全世界第一致残类恶性神经系统疾病。运动康复训练对卒中后的功能恢复起十分重要作用,其关键在于通过肢体运动,诱发促进脑区受害神经组织产生可塑性改变,以实现运动功能的改善和恢复。但传统的被动重复训练无法调动患者的参与度和积极性,严重影响康复效果。近年来兴起基于运动想象脑-机接口(MI-BCI)的运动神经反馈康复训练模式,可由患者的主观运动意图内源性地驱动相应脑区神经来产生可塑性变化,通过大脑神经功能重组来促进肢体运动康复。评述本体感觉、视觉反馈等不同运动神经反馈模式在卒中康复训练中的应用研究进展,讨论目前MI-BCI神经反馈康复训练系统存在问题及解决对策,并预期未来的发展前景。     

基于多重分形去趋势波动分析的脑电信号特征提取及分类方法

目的:针对脑电信号普遍存在的数据维度高、难以预测的问题,提出一种多重分形去趋势波动分析特征提取方法与长短时记忆网络（LSTM）相结合的脑电信号分类方法。方法:首先对信号样本进行多重分形去趋势波动分析计算得到脑电信号样本的多重分形谱,计算广义Hurst指数hq和广义维数Dq之间的函数关系;然后对多重分形谱进行分析,找出最具代表性的坐标值作为信号的特征向量;最后将其用于LSTM进行训练和分类测试。实验采用波恩大学采集的经过处理的癫痫脑电数据集。结果:当训练样本占总体样本比例超过10%之后,LSTM分类器的测试准确率均稳定在98%以上;当占比超过80%时LSTM分类器的测试准确率达到了100%;即使训练样本较少时也有95%之上的准确率。结论:该算法有良好的准确率和稳定性。     

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。     

Effects of beta-endorphin, morphine and naloxone on arginine vasopressin secretion and the electroencephalogram

β-Endorphin injected into the third ventricle of conscious rabbits resulted in a sustained elevation of the concentration of arginine vasopressin in blood plasma. Tenfold greater doses of morphine were required to produce a comparable response. The secretion of arginine vasopressin appears not to be a consequence of respiratory depression or hemodynamic alterations induced by β-endorphin or morphine. Most pharmacological effects of β-endorphin and morphine were reversed by naloxone but the effects on the secretion of arginine vasopressin were not. Furthermore, pretreatment with naloxone failed to prevent the rise in plasma levels of arginine vasopressin after administration of morphine. Paroxysmal seizure discharges were recorded on the electroencephalogram after injection of β-endorphin into the lateral ventricle, but not after injection into the third ventricle. Frequency analysis revealed slowing and reduced power in all frequency bands of the electroencephalogram.Both morphine and the endogenous peptide β-endorphin have similar effects on the release of arginine vasopressin and these effects appear to be independent of naloxone-sensitive opiate receptors.     

基于动态偏定向相干的运动想象因效性网络分析

利用脑网络对脑功能机制和脑认知状态进行基础研究具有重要的意义。本文依据一种测量头皮脑电信号(EEG)的时间-频率域相互作用的方法,即偏定向相干(PDC),提出了动态PDC(dPDC)算法对运动想象的因效性网络建模。研究利用2008年第四届BCI竞赛数据的9个被试计算了不同运动想象任务下因效性网络的参数特征(出入度、集群系数、离心率等),通过显著性检验分析了左、右手运动想象在不同脑区EEG信号的交互影响。结果表明,左右手想象任务的网络集群系数大于随机网络,且特征路径长度与随机网络近似,验证了该网络的小世界特性。对左、右手运动想象的网络特征参数的分析对比,验证了两种任务部分特征具有显著差异,如:针对出度的统计分析表明,在ROI2(P=0.007)和ROI3(P=0.002)区域具有显著差异。基于dPDC算法的因效性网络对运动想象脑区间信息流变化的分析表明,左、右手运动想象的活动区域主要位于左右侧中央前回(ROI2和ROI3)和左右侧中央枕区(ROI5和ROI6)。因此,基于dPDC的因效性网络可以有效表征运动想象的状态,为研究提供了新的手段。     

基于Matlab环境的脑控轮椅搭建与实验验证

目的基于脑电(electroencephalography,EEG)的脑控轮椅(brain-controlled wheelchair,BCW)能够为无法通过四肢操控轮椅运动的严重肢体残疾或运动障碍患者提供辅助,满足日常移动或出行需要。本文以兼顾系统性价比和准确率为研究目的,采用便携脑电放大器,搭建一个基于Matlab环境的BCW系统,并验证系统的可行性和实用性。方法首先搭建一个基于稳态视觉诱发电位(steadystate visual evoked potential,SSVEP)的BCW系统,系统主要包括脑电刺激、采集与处理,以及轮椅控制两大部分,用户无需长期训练即可通过脑电控制轮椅的运动状态。然后招募3名健康受试者进行系统分类准确率验证实验和预设路径控制验证实验。其中,分类准确率验证实验要求受试者按照语音提示指令,注视对应刺激闪烁块以得到分类结果;预设路径控制验证实验要求受试者完成3个轮椅既定路线控制任务。实验后填写问卷调查衡量本系统的控制难度、受试者舒适度和疲劳程度。结果比较提示指令与分类结果得到系统分类准确率为97%±1%。路径控制实验中受试者均能控制轮椅按照预设路径运动到目的地,且获得用时、实际路径长度、命令个数、时间优化率、路径优化率等指标。结论本文搭建的基于Matlab环境的SSVEP-BCW系统分类准确率较高,控制效果和控制舒适度较好,具有一定的实用性。     

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。