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。     

基于脑电信号的抑郁情绪倾向研究

目的对在校大学生的脑电信号(electroencephalography,EEG)进行研究,以期找到对抑郁情绪倾向预测具有可行的高识别率的情绪特征。方法首先通过14导脑电设备采集19位高校大学生(女6、男13)的脑电信号并对其进行贝克抑郁量表的测试,按测试结果将其分为实验组和正常组。然后使用Eeglab工具包对采集到的数据进行预处理,得到干净的脑电信号。最后采用事件相关频谱扰动(ERSP)对其进行时频分析,以讨论在时间-频率域内的能量变化与抑郁情绪倾向预测的关系。结果在负性图片刺激下,在Alpha、Beta波段均发现时间窗为50~150 ms、350~450 ms时正常组和实验组之间差异具有统计学意义。在正性图片刺激下,Alpha波段在时间窗为150~250 ms、350~450 ms时正常组和实验组之间差异具有统计学意义,Beta波段在时间窗为300~400 ms时差异具有统计学意义。结论在正负性图片的刺激下,Alpha、Beta波段的部分特殊时间段中存在可识别抑郁情绪倾向的特征值,可为今后研究抑郁情绪倾向性提供一定的参考依据。     

基于脑电的脑网络稳定模式情绪识别研究

利用锁相值构建不同时间段的情绪脑网络,探讨不同时间情绪相关脑网络模式的稳定性,提出基于脑网络二阶特征的情绪识别框架。结果表明,在跨被试研究和单被试研究中最高准确率分别为79.17%和82.92%,ANOVA分析3个时间段的识别结果无显著性差异,证明本研究提出的情绪识别框架是稳定的。在不同时间段,同类别的情绪均具有相同的脑网络连接模式和最小生成树的结构,说明相同情绪在不同时间存在稳定的脑网络模式。使用脑网络特征进行情绪识别是稳定且可靠的,这为人机交互中情绪识别提供一种新途径。     

基于深浅特征融合的深度卷积残差网络的脑电情绪识别模型

基于脑电信号的智能情绪识别系统具有便携性、高时间分辨率、实时性等特点,能够在健康、娱乐、教育等多个领域实现情绪监控与调节的应用.但由于脑电信号的非平稳性和个体差异性,传统分类器难以深入提取脑电信号中潜在的与情绪语义相关的特征.为了有效地提取脑电特征,提高脑电-情绪识别的准确性,提出一种新型的基于深浅特征融合的深度卷积残...     

基于TQWT的癫痫脑电信号的识别

针对癫痫脑电(EEG)信号的识别问题,提出了一种基于可调品质因子小波变换(TQWT)的脑电特征提取方法。首先,利用TQWT将EEG信号进行分解,得到各个小波子波带;然后,根据癫痫异常波对应的频率范围,合理的选择小波子波带进行重构,提取有效值和峰峰值构成特征分量;最后,采用支持向量机进行分类。将所提出方法应用于癫痫脑电信号的识别中,以德国伯恩大学癫痫研究中心采集的典型脑电数据进行验证。实验分析结果表明,所提出的特征提取方法对正常和癫痫发作期EEG信号的分类准确率可达98%。     

基于脑电的情绪识别研究综述

情绪是综合了人的感觉、思想和行为的一种状态,在人与人的交流中发挥着重要作用。情绪识别是通过获取人的生理或非生理信号对人的情绪状态进行自动辨别,以实现更加友好和自然的人-机交互。基于脑电的识别方法是一种常用且有效的情绪识别方式。文中从脑电获取及预处理、特征提取和特征选择、情绪模式的学习和分类等几个方面,介绍了基于脑电的情绪识别的研究进展、应用前景以及目前存在的主要问题。     

基于脑电信号的三种情绪区别分析

本研究从情绪波段强度与功率地形分布两个角度对喜悦、愤怒和悲伤三种情绪的脑电特征进行了分析.通过14通道的神经设备采集16名受试者观看情绪诱发视频时的脑电数据,用自适应滤波对原始脑电数据进行预处理,分段出有效的目标信号进行特征分析.喜悦情绪下θ波和α波在大脑左前区提升明显;愤怒情绪下β波在大脑左前区提升明显;恐惧情绪下β...     

基于脑电信号提取与识别的癫痫预测研究

癫痫发作预测的主要研究为检测发作前期状态。尽管癫痫发作预测研究众多,其准确率也在不断提升,但其应用于临床分析还为时过早,主要原因在于缺乏令人信服的统计检验和实验可重复性。基于此,本研究回顾了癫痫预测算法研究框架,从信号采集到性能评价等,着重于信号处理和信号识别,讨论提出优化癫痫预测模型框架,用于实现更准确可靠的发作预测。     

基于一维宽核卷积神经网络—长短时记忆网络的单导脑电信号睡眠状态识别研究

针对睡眠脑电(EEG)信号数据不均衡分布以及多导睡眠图采集过程中舒适性差,从而降低了模型分类能力的问题,本文提出一种基于一维宽核卷积神经网络(WKCNN)和长短时记忆网络(LSTM)的单导EEG信号睡眠状态识别方法(WKCNN-LSTM)。首先,通过小波去噪,并以合成少数过采样技术(SMOTE)与托梅克联系对(Tomek)联合的算法(SMOTE-Tomek)对原始睡眠EEG信号进行预处理;其次,以一维睡眠EEG信号作为模型的输入,利用WKCNN提取频域特征并抑制高频噪声;然后,利用LSTM层挖掘时域特征;最后,全连接层采用归一化指数函数实现睡眠状态识别。实验表明,本文一维WKCNN-LSTM模型的分类准确率为91.80%,分类效果优于近年的同类研究,并且该模型具有良好的泛化性能。本研究不仅提高了单导睡眠EEG信号的分类准确率,也有利于促进便携式睡眠监测设备性能的提高。     

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。     

基于小波能量矩的嗅觉脑电信号识别

研究大脑对不同气味的识别能力在嗅觉功能障碍评估和诊断等方面具有重要意义。本文提出将小波能量矩(WEM)作为嗅觉诱发脑电图(EEG)信号特征并用于气味分类。首先,通过试验采集13种气味的嗅觉诱发EEG数据;其次,从嗅觉诱发EEG数据中提取WEM作为信号特征,并将功率谱密度(PSD)、近似熵、样本熵及小波熵作为对比特征;最后,利用k近邻(k-NN)、支持向量机(SVM)、随机森林(RF)和决策树分类器识别不同的气味。结果表明,使用以上4种分类器,WEM特征分类准确率均高于其它特征,其中k-NN分类器与WEM特征结合的分类准确率最高(91.07%)。本文进一步对不同EEG信号的频带进行了探究,发现大多数基于γ频带的分类准确率优于全频带及其他频带,其中γ频带WEM特征结合k-NN分类器的分类准确率最高(93.89%)。本文的研究结果一方面可为嗅觉功能评价提供新的客观依据,另一方面,也可为嗅觉诱发情绪的研究提供新的思路。     

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。     

基于多特征融合的运动想象脑电信号识别研究

目的:脑机接口通过识别脑电信号后对外部设备进行控制,针对传统的提取单一特征方法无法多角度表征脑电,提出一种多特征融合的特征提取方法。方法:分别使用自回归模型、经验模态分解、共空间模式提取结合时-频-空域的初始特征向量,用主成分分析降维,最后用支持向量机分类。结果:对BCI2003数据处理后,得到91.9%的识别率,高于单一特征和两两组合特征下的识别率以及BP神经网络、概率神经网络的识别率。结论:多特征融合的特征提取方法更好地代表了脑电特征,同时采用支持向量机分类可取得较好的效果,证明本研究方法的有效性,可进一步用于脑机接口中。     

基于深度收缩自编码网络的飞行员疲劳状态识别

针对飞行员疲劳状态识别的复杂性,本文基于脑电信号提出一种新的深度学习模型。一方面,利用小波包变换对飞行员脑电信号进行多尺度分解,提取了脑电信号的四个节律波段:δ波(0.4~3 Hz)、θ波(4~7 Hz)、α波(8~13 Hz)和β波(14~30 Hz),将重组的波段信号作为纯净的脑电信号。另一方面,提出一种基于深度收缩自编码网络的飞行员疲劳状态识别模型,并与其他方法进行比较。实验结果显示,针对飞行员疲劳状态识别问题,所建立的新的深度学习模型具有很好的识别效果,识别准确率高达91.67%。因此,研究基于深度收缩自编码网络的飞行员疲劳状态识别具有重要意义。     

联合脑电信号与虚拟技术的大脑情绪状态的半球不对称性研究

为区分大脑的情绪状态以及研究在不同情绪状态下的大脑半球不对称性,征选20名健康视听无障碍的受试作为实验对象,联合虚拟现实(VR)技术和脑电(EEG)监测,在不同的VR影片刺激下,采集受试脑电信号,提取各频段的平均功率谱密度,并计算大脑半球不对称性的参考指数,对比在不同情绪状态下各频段与各脑区下的参考指数.结果 显示,相...     

子波神经网络在脑电信号数据压缩表征与棘波识别中的应用研究

本文在对子波神经网络及其算法研究的基础上,提出了一种对脑电信号压缩表征和痫样脑电棘波识别的新方法.实验结果显示,子波网络在大量压缩数据的同时,能够较好的恢复原有信号.另外,在脑电信号的时频谱等高线图上,得到了易于自动识别的棘波和棘慢复合波特征,说明此方法在电生理信号处理和时频分析方面有着光明的应用前景.     

基于深度残差卷积神经网络的心电信号心律不齐识别

心电图(ECG)信号在采集过程中容易受内部和外部噪声干扰,而且不同患者的ECG信号形态特征差异较大,即使同一患者在不同时间和环境下其ECG信号也会有差异,因此ECG信号特征检测与识别在心脏病远程实时监测与智能诊断中具有一定难度。基于此,本研究提出将小波自适应阈值去噪和深度残差卷积神经网络算法用于多种心律不齐的信号识别过程中。其中,使用小波自适应阈值技术完成ECG信号滤波,并设计了包含多个残差块(residual block)结构的20层卷积神经网络(CNN),即深度残差卷积神经网络(DR-CNN),对5大类心律不齐ECG信号进行了识别。然后,本文采用残差块局部神经网络结构单元构建DR-CNN,缓解了深层网络的收敛难、调优难等问题,克服了CNN随着网络层数增加而导致的退化问题;进一步引入批标准化(batch normalization)技术,保证了网络的平滑收敛。按照美国医疗器械促进协会(AAMI)的心搏分类标准,使用麻省理工学院和波士顿贝丝以色列医院(MIT-BIH)心律不齐数据库中94 091个ECG心搏信号(2个导联),完成了心律不齐多分类、室性异位搏动(Veb)和室上性异位搏动(Sveb)等分类识别实验。实验结果表明,本文所提出的方法在ECG信号多分类、Veb和Sveb识别中的准确率分别达到了99.034 9%、99.498 0%和99.334 7%。在相同的数据集和实验平台下,DR-CNN在分类准确率、特异性和灵敏度上均优于相同结构复杂度的CNN、深度多层感知机等传统算法。DR-CNN算法提高了心律不齐智能诊断的精度,该方法与可穿戴设备、物联网和无线通信技术相结合,可以将心脏病的预防、监测和诊断延伸到家庭、养老院等院外场景,从而提高心脏病患者的救治率,并且有效地节约医疗资源。     

基于稀疏贝叶斯网络的情绪脑电的有效性脑网络研究

脑功能网络探索是揭示大脑处理情绪时潜在神经联系的重要手段,稀疏贝叶斯网络(SBN)方法可以分析各区域因果特性及相互影响,逐渐被应用于脑网络的研究中。本文提取了22名被试情绪脑电(EEG)的theta和alpha频段,构建了不同情绪唤醒度的有效性脑网络,并对节点的度、平均聚类系数和特征路径长度进行分析。结果发现:1相比于低唤醒度的EEG信号,左中颞在高唤醒度状态的因果影响都很明显,而右前额的因果影响都不显著;2高唤醒度的平均聚类系数较高,而低唤醒度的特征路径长度较短。     

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。     

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。