基于小波包分解和共空间模式方法的脑电运动想象分类方法

针对脑电运动想象信号分类不准确,本研究结合小波包分解和共空间模式,提出了一种脑电运动想象分类方法。采用电极无创式采集脑电运动信号,并利用独立成分分析去噪,通过小波变换和共空间模式,提取脑电运动信号的时域特征和空间域特征。以决策树算法为基础,一个决策树对应一种脑电运动信号类别,构建随机森林分类器,实现脑电运动想象分类。结果表明:与其他分类方法相比,该方法能够较好地控制智能小车的运动反应,证明本研究方法的分类质量更高。     

运动想象脑电多视角深度森林解码算法

针对运动想象脑电信号特征提取操作繁琐及解码精度低等问题,提出一种基于多视角深度森林的运动想象脑电解码算法。首先,通过子频带滤波及时间窗口划分对原始信号进行细粒度分析,生成空时频能量特征。然后,对上述空时频能量特征分别进行稀疏选择和时序扫描得到重要的浅层能量特征及多示例先验类别特征。继而,将上述两类特征进行融合构建运动想象脑电多视角特征集。最后,利用级联森林的逐层特征变换挖掘深层次的抽象特征进行脑电解码。根据脑机接口竞赛数据和自行采集的数据进行算法测试,并与单视角特征模型、传统共空间模式方法以及深度神经网络算法进行对比。在2个脑机接口竞赛数据集和1个真实数据集上分别取得了91.4%、75.2%和70.7%的最高平均分类准确率,结果表明该文所提多视角深度森林算法具有更优的分类识别准确率。     

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.     

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.     

一种改进脑电特征提取算法及其在情感识别中的应用

音乐诱发下的情感状态评估结果可为辅助音乐治疗提供理论支持与帮助。情感状态评估的关键是情感脑电的特征提取,故本文针对情感脑电特征提取算法的性能优化问题开展研究。采用Koelstra等提出的分析人类情绪状态的多模态标准数据库DEAP,提取8种正负情绪代表各个脑区的14个通道脑电数据,基于小波分解重构δ、θ、α、β四种节律波;在分析比较小波特征(小波系数能量和小波熵)、近似熵和Hurst指数三种脑电特征情感识别效果的基础上,提出一种基于主成分分析(PCA)融合小波特征、近似熵和Hurst指数的脑电特征提取算法。本算法保留累积贡献率大于85%的主成分,并选择特征根差异较大的特征参数,基于支持向量机实现情感状态评估。结果表明,使用单一小波特征(小波系数能量和小波熵)、近似熵和Hurst指数特征量,情感识别的正确率均值分别是73.15%、50.00%和45.54%,而改进算法识别准确率均值在85%左右。基于改进算法情感识别的分类准确率比传统方法至少能提升12%,可为情感脑电特征提取以及辅助音乐治疗提供帮助。     

基于小波包和共同空间模型的运动想象脑电信号特征提取算法

脑-机接口(brain-computer interface,BCI)为无法进行交流的人们提供了一种新的交流方式。传统的基于频率特征的脑电信号(electroencephalogram,EEG)特征提取方法只提取每个通道的能量特征,而忽略了不同通道之间的相关性信息。为了获得更好的特征提取结果,本研究采用了基于小波包和共同空间模型(common space pattern, CSP)的脑电信号特征提取方法。首先,在利用小波包对脑电信号分解前,对相关通道和频带进行辨别,提取运动想象脑电μ律和β节律,然后利用CSP算法进行空间滤波提取特征,选取相关节点计算小波包能量,最后通过支持向量机(support vector machine, SVM)将脑电信号分为左右手两种特征。为了验证本研究算法的可行性与有效性,在BCI竞赛数据集上进行了相应的实验,分类结果表明,所提出的特征提取算法能够有效提取运动想象特征,具有较高的分类精度。     

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。     

基于功率谱峰值及时变线性分类算法的运动意识分类

背景:脑电信号的特征提取是脑机接口系统中一个重要的环节,如何快速有效地提取反映大脑意识任务状态的脑电特征是进行分类、正确解读意识任务的关键。目前,提取脑电信号特征通常采用功率谱密度估计、自回归模型和小波变换等方法,这些特征都是以脑电信号的线性化为前提,上述方法不能很好地反映出大脑的非线性动力学性质。目的:分析脑电信号功率谱峰值在识别左右手想象运动中的作用。方法:采用脑机接口2003竞赛中Graz科技大学提供的脑电数据,用小波包分解获取8～24Hz脑电信号,计算C3,C4电极脑电信号的功率谱峰值作为脑电特征向量,运用时变线性分类算法对运动意识任务运行分类。结果与结论:对140次实验的测试样本进行数据分析,最大分类正确率可达89.29%,最大互信息和信噪比分别为0.6269bit和1.3848。C3,C4电极8～24Hz脑电信号功率谱峰值能很好地反映左右手运动想象脑电特征的变化,与事件相关去同步/事件相关同步现象变化一致,可在线识别左右手想象运动。     

基于互信息特征提取的运动想象脑机接口

脑机接口是一种实现计算机和人脑及其他设备间通信的系统。本文引入F3、F4、C3、C4、FZ、CZ、FC1、FC2、FC5、FC6等多通道运动想象脑电信号的网络连接结构权值等特征,采用支持向量机对不同的运动想象任务进行分类。对所提出的基于互信息(MI)的脑网络结构特征提取方法同传统方法自回归模型(AR)参数特征提取方法进行对比研究,发现基于MI特征提取的运动想象脑电信号分类正确率显著高于AR参数特征提取方法,将两类特征进行融合后,运动想象脑电信号分类正确率又显著高于单独使用MI或AR特征提取方法。     

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。     

基于自回归模型和关联向量机的癫痫脑电信号自动分类

癫痫脑电信号自动分类方法的研究具有重要意义.基于自回归模型和关联向量机,实现癫痫脑电信号的自动分类.采用自回归模型,进行脑电信号特征提取;通过引入主成分分析和线性判别分析两种特征变换方法,降低特征空间维数;采用关联向量机作为分类器,提高模型稀疏性并可以得到概率式输出.在对波恩大学癫痫研究中心脑电信号的分类中,所提出的方法最高准确率可以达到99.875％;在将特征空间维数降至原始维数的1/15时,分类准确率仍可达到99.500％;采用关联向量机作为分类器,模型稀疏性大幅提高,与支持向量机相比,同等条件下关联向量数仅为支持向量数的几十分之一.所提方法可以很好地应用于癫痫脑电信号的自动分类.     

基于改进CSP算法的运动想象脑电信号识别方法

针对想象运动的脑机接口(BCI)系统中,在电极导联数少的情况下存在脑电信号分类准确率降低的问题,提出一种改进共同空间模式(CSP)算法. 通过对事件相关去同步(ERD)/事件相关同步(ERS)生理现象较明显的频段进行滤波, 选取最大特征值对应的表征运动想象脑电信号状态的最优特征向量,进而提出特征向量新的定义方法,同时与支持向量机(SVM)相结合,实现运动想象脑电数据的分类.对于GRAZ大学提供的运动想象脑电数据(Data Ⅲ),想象左手运动脑电信号的识别准确率为98.57%.想象右手运动的脑电识别率为100%.实验结果表明,改进的CSP算法更准确地反映脑电信号的任务状态,有效避免了特征模式的重复选取问题,具有更优的分类性能.     

多类运动想象脑电信号的处理研究

基于运动想象的脑-机接口具有不依赖外界刺激器的特点,但如何根据不同受试者自适应地提取出最佳特征是目前的难点之一.本文设计了基于LabVIEW平台的运动想象脑电信号采集系统,对五名受试者想象左手、右手和脚运动时的脑电信号进行采集;利用小波包分解提取μ节律和β频段,实现脑电信号的滤波;通过分析不同受试者的小波包节点的ERD/ERS比率,自适应地选出最佳特征时间和频段;组合最佳特征时间、频段的小波包能量和小波包熵作为特征向量,利用马氏距离分类判别.实验结果证明:利用ERD/ERS比率、小波包分解和马氏距离分类,算法简单快捷,平均正确率可以达到84.3％,较好的实现了三类运动想象分类,提高了系统的自适应性.     

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.     

运动想象脑电信号算法研究进展

对脑电信号的研究,不仅可以提高人们对大脑的认知程度,还能够建立大脑与外界沟通的新途径。本文从运动想象脑电信号的特点出发,首先概述了近年来运动想象脑电信号分析与处理算法的发展状况,及脑电信号的特点;然后,着重分析了近年来常用的运动想象脑电信号特征提取与识别方法相关处理算法的优势、不足及其适用条件,包括功率谱分析法、小波分析法、样本熵法和共同空间模式法,以及线性判别、支持向量机等4种分类器;最后,总结了目前运动想象脑电信号处理算法发展中存在的识别种类单一,识别率不高,自适性不足等问题,探讨了运动想象脑电信号进一步研究的思路。     

基于F-score特征选择和支持向量机的P300识别算法

如何从脑电信号中快速准确地识别出P300成分是脑-机接口研究中的一个热点问题.针对P300的识别问题,我们提出了一种将F-score特征选择与支持向量机相结合的判别方法,该方法采用F-score特征选择减少输入特征的维数,以克服支持向量机算法判别速度慢的缺点;然后借助支持向量机算法良好的分类性能实现P300的识别.本文在BCI Competition 2003的P300实验数据集上对该方法进行了验证,结果表明,在5次重复实验中该方法的识别准确率达到了100%,且判别速度与未经特征选择的传统支持向量机算法相比提高了近2倍.     

主成分分析和线性判别分析应用于心电信号特征提取和诊断算法研究

针对心脏疾病发病率高且不易自主检测的问题,提出了一种心电信号特征提取和分类诊断算法。首先对心电信号进行提升小波变换和改进半软阈值相结合的预处理变换,在去除心电信号的噪声后,利用主成分分析(principal component analysis,PCA)对心电信号进行降维,并利用核独立成分提取心电信号的非线性特征;同时离散小波变换提取去噪后心电信号的频域特征,基于线性判别分析(linear discriminant analysis, LDA)对频域统计特征进行降维处理。将两种不同的特征向量组成多域特征空间,最后利用支持向量机对多域特征空间分类,遗传算法对其参数进行寻优,从而实现心电信号特征的分类。实验结果表明,所提出的算法能够对5类心电节拍进行准确分类,分类效率达99.11%。     

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。