基于锁相值和图论的脑功能网络特征提取方法

目的为了研究大脑运动想象时脑功能网络的状态变化,并区分运动想象任务,本文提出一种基于锁相值和图论的脑功能网络特征提取方法。方法首先获取Mu节律和Beta节律的运动想象脑电信号(motor imagery electroencephalography,MI-EEG),计算任意两导相同节律MI-EEG之间的锁相值;然后分别构建两个节律的脑功能网络,并提取6种全局网络特征参数,对其归一化处理后进行串行融合获得特征向量;最后以支持向量机(support vector machine,SVM)作为分类器,采用10折交叉验证法,在BCI Competition III Data Sets IIIa数据集上对两种运动想象任务进行分类。结果相比于其他脑网络特征提取方法,本文方法获得了较高的识别率,最高识别率和平均识别率分别达到100. 00%和83. 33%。结论从脑功能网络的角度,通过构建Mu节律和Beta节律两个运动节律MI-EEG的脑功能网络,提取多个反映大脑网络整体信息的特征,相对于构建单一运动节律MI-EEG的脑功能网络,提取单个网络特征参数,能够有效改善运动想象任务的识别效果,为MI-EEG信号的特征提取方法提供了一种新的思路。     

基于时间序列数据增强的运动想象脑电多尺度特征提取分类

基于运动想象脑电（MI-EEG）的脑机接口（BCI）可以实现人脑与外部设备的直接信息交互。本文提出了一种基于时间序列数据增强的脑电多尺度特征提取卷积神经网络模型，用于MI-EEG信号解码。首先，提出了一种脑电信号数据增强方法，能够在不改变时间序列长度的情况下，提高训练样本的信息含量，同时完整保留其初始特征。然后，通过多尺度卷积块自适应地提取脑电数据的多种整体与细节特征，再经并行残差块和通道注意力对特征进行融合筛选。最后，由全连接网络输出分类结果。在BCI Competition IV 2a和2b数据集上的应用实验结果表明，本模型对运动想象任务的平均分类正确率分别达到了91.87%和87.85%，对比现有的基准模型，该方法具有较高的正确率和较强的鲁棒性。该模型无需复杂的信号预处理操作，具有多尺度特征提取的优势，具有较高的实际应用价值。     

基于黎曼空间的脑电信号特征提取和分类算法的对比研究

目前运动想象脑电信号(motor imagery electroencephalogram, MI-EEG)的分类方法主要分为两种,一种是利用人工设计MI-EEG特征的相似度/非相似度度量进行分类的算法,另一种是利用深度学习自动学习特征完成分类的算法。为探究两种方法的优劣及适用场景,本研究首先基于黎曼空间提出利用Stein散度作为MI-EEG的相似度/非相似度度量,用K最邻近法进行分类的算法;其次,提出利用黎曼流形结构下的卷积神经网络自动提取脑电信号特征进行分类的算法,最后对两种分类算法进行对比研究。为验证两种算法的有效性,在BCI Competition IV-2a公开数据集上进行实验测试。结果证明,两种分类算法均具有较强的稳定性和分类准确率,利用黎曼流形结构的卷积神经网络算法可获得更高的分类准确率,传统机器学习中利用Stein散度作为MI-EEG相似度/非相似度度量的脑电分类算法运行时间更短,更适合MI-EEG的在线解码。     

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。     

基于IMF能量熵的脑电情感特征提取研究

为提高脑电信号情感识别分类准确率,结合经验模态(EMD)分解和能量熵提出一种新的脑电特征提取方法。本研究主要介绍了EMD分解的基本原理,分析了传统EMD算法中的"端点效应",采用分段幂函数插值算法改善了EMD分解的精度和性能,然后将改进后的算法应用到脑电信号特征提取,获取脑电信号的IMF分量后计算出IMF能量熵作为情感识别的特征,最后通过分类实验对比改进后的EMD算法和传统EMD算法对脑电情感特征的分类准确率。实验结果显示改进的EMD算法能使识别率提高15%左右,并且以IMF能量熵为特征的平均识别率在80%以上,实验结果表明将IMF能量熵用于脑电信号情感识别是可行的。     

基于独立分量优化子带特征的三类运动想象分类

在基于头皮脑电(EEG)信号的脑-机接口(BCI)研究中,用户个体差异性和背景噪声的复杂性是影响BCI系统稳定性的两个主要因素。因此需要针对不同个体进行BCI系统参数优化,其中包括对时域、空域滤波器参数的优化设计和分类器参数的学习。本文以提高BCI系统的准确性为目标,提出了一种结合独立分量分析空域滤波器(ICA-SF)优化设计和EEG多子带特征的BCI信息处理新方法。基于所提方法,对4位受试者在不同时间采集的三类运动想象EEG(MI-EEG)进行分析。实验结果表明,在同一受试者的自交叉测试和不同受试者数据集之间的互交叉验证中,多子带特征结合方法所得到的平均识别率比仅使用单频带所得的平均识别率普遍提高,识别率最大提升可达6.08%和5.15%。     

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。     

高频成分在思维作业脑电信号分类中的应用

采用独立分量分析(ICA)去除脑电伪迹,AR模型提取信号特征、BP神经网络用于模式识别,对2~5种思维作业脑电信号进行了分类研究。研究结果的重要发现是:对于经过ICA去伪迹后的EEG信号,当分类特征取自20~100 H z的高频范围时,分类准确率很高,与特征取自整个信号频段的分类结果大致相等,且大大超过利用2~35 H z的低频EEG节律进行的分类。对于这一现象的解释是,不同思维作业过程中,大脑在工频电场作用下产生了不同的节律同化反应,致使EEG信号的高频部分带有更显著的思维调制信息,从而有利于提高分类准确率。这一现象的发现,为脑电节律同化反应提供了新的证据,也为思维脑电的高准确率分类和高精度脑-机接口的实现提供了新的方法。     

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%。     

基于多通道自适应自回归模型脑-机接口系统特征的提取

背景：由于脑电图信号的非平稳特性,脑-机接口系统至今仍然没有走出实验室,制约脑-机接口实用的主要原因之一是由于被试生理或心理状态的干扰下,脑电特征信号动态变化,难以得到稳定可靠的分类特征。 目的：观察动态提取基于左手、右手和脚3种运动想象时的脑电信号分类特征,提高在线脑-机接口系统分类准确率和反应速度。 方法：共有3位自愿受试者参加了实验,按照屏幕上的提示分别想象左手、右手和脚3种运动,对采集到的脑电图信号,首先通过带通及拉普拉斯滤波,去除眼电等干扰;其次提取改进的多变量自适应自回归模型模型参数作为分类特征;最后与传统的自适应自回归模型和自回归模型方法进行了比较。 结果与结论：结果表明改进的多通道自适应自回归模型算法能够比较稳定的提取出对应左手、右手和脚的分类特征,有利于进一步改进在线脑-机接口数据分析算法的自适应能力,促进脑-机接口系统的实际应用。     

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。     

脑机接口中一种改进的模式识别方法

为提高脑机接口中脑电识别率，分析了特征提取方面时频特征组合法的缺点，探讨了一种改进的模式识别方法。该方法以样本类平均距离为判据，采用滑动窗优化技术，获取时域均值的最佳时间段和频域功率谱均值的最佳频率段。用经过优化的时域均值和功率谱均值组合作为特征，形成特征向量。基于该特征向量，用神经网络对脑电信号进行分类。以识别正确率为指标，将改进方法与原方法进行对比，实验结果表明改进方法能够提高脑电识别率，具有应用价值。     

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。     

基于时频分析的个性化脑-机接口设计

为了提高脑—机接口的分类正确率和实时性,本研究提出基于时频分析的个性化脑—机接口设计方案。通过对多导联EEG数据进行离线谱图分析,量化不同导联EEG信号在想象左右手运动时,其各个频带能量随时间的变化规律。然后将各导联EEG信号不同频带能量变化特征在左右手运动想象时的差异进行脑地形图成像。进而根据特征差异在大脑皮层的分布为不同用户的最佳电极位置选择和特征频带的确定提供直接依据。实验结果证明,该方法有效减少了特征提取的盲目性,用最少的导联,最少的特征向量,较简单的特征提取和分类算法,取得很好的分类效果,具有较高实用价值。     

基于自回归小波包熵特征融合算法的情感识别研究

针对提高情感识别正确率这一国际开放问题,本文提出了一种基于小波包熵和自回归模型相结合的脑电信号特征提取算法。自回归过程能最大程度逼近脑电信号,用很少的自回归参数提供丰富的谱信息。小波包熵反映脑电信号在各个频带中的谱能量分布情况。将二者结合,能够更好地体现脑电信号的能量特征。本文基于核主成分分析方法,实现了脑电信号特征提取融合。课题组采用情感脑电国际标准数据集(DEAP),选取6类情感状态以本文算法进行情感识别。结果显示,本文算法情感识别正确率均在90%以上,最高情感识别正确率可达99.33%。本文的研究结果表明,该算法能够较好地提取脑电信号情感特征,是一种有效的情感特征提取算法。     

癫痫脑电特征波的综合检测分类方法研究

本文将小波变换、人工神经网络、专家规则判据等多种检测方法有机地结合起来 ,用于癫痫脑电特征波的检测与分类 ,以充分发挥不同方法的优势。这种综合检测分类方法是先将预处理的多导脑电时间序列经小波变换将脑电中癫痫特征波在不同尺度下分离出来 ,再对选出的癫痫嫌疑波进行特征参数提取 ,然后把特征参数送入已经训练好的人工神经网络进行分类识别 ,最后再由专家规则判断筛选并作出检测分类统计报告。研究表明 ,该方法具有很好的信号特征提取和屏蔽随机噪声能力 ,获得了较好的检出率 ;尤其适合于非平稳、非线性生物医学信号的检测分类 ,值得进一步深入研究     

脑电信号共空间模式模糊融合的研究

共空间模式(CSP)是脑电信号特征提取的主要方法,但它存在较严重的过拟合问题。本文提出对多通道脑电数据划分多个区域,分别用CSP算法提取各区域的脑电数据特征,对得到的各特征分别进行线性分类,用Choquet模糊积分融合各线性分类结果,有助于克服脑电信号处理的过拟合问题和提高脑电信号识别准确度,从而给出了脑电数据处理的一种新框架。采用2005年国际脑机接口(BCI)竞赛数据验证该处理框架,获得的识别准确率显著提高,并且在一定程度上解决了CSP的过拟合问题,显示了本框架处理脑电信息的有效性。     

针对快速序列视觉呈现脑电信号的时空混合特征提取方法

快速序列视觉呈现脑机接口（RSVP-BCI）是目前基于人脑对目标进行早期发现任务中最为常用的技术,该技术能够获取人脑对环境的快速感知。脑电信号（EEG）具有非平稳和信噪比较低的特点,因此在单次试验中准确解码大脑活动较为困难。为解决RSVP-BCI技术中单次试验分类准确率不高的问题,本文提出一种基于时空域混合特征提取的新方法。该方法充分考虑大脑活动的时空模式,分别在时域和空域采用主成分分析（PCA）和共空间模式（CSP）对EEG信号进行特征提取,构成时空混合CSP-PCA(STHCP)方法,通过时域、空域两次特征提取最大化目标类与非目标类之间的判别距离,有效地降低特征维数。STHCP的单试次解码曲线下面积（AUC）较三种基准算法[空间加权费希尔（Fisher）线性判决-PCA(SWFP)、CSP及PCA算法]分别提高了17.9%、22.2%及29.2%,为利用RSVP-BCI技术进行快速高效的目标检测提供了新方法。     

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。