不同思维作业电信号的高准确度模式分类

本文采用独立分量(ICA)分析对不同思维作业的脑电(EEG)信号进行预处理,再用自回归(AR)参数模型提取EEG信号特征,最后利用BP网络完成对特征样本集的训练和分类.实验结果表明,所采用的方法提高了脑电思维模式作业的准确度,对两种到五种不同思维作业未经训练的数据的平均分类准确度达到79%以上,超过现有文献报道的结果.     

基于近似熵的思维脑电信号分类研究

采用近似熵(approximate entropy，Apen)作为脑电信号的特征参数对不同思维作业脑电信号进行了分类研究，并对近似熵算法中参数的选择以及互近似熵在思维脑电分类的应用进行了讨探。研究结果表明，近似熵特征在思维作业脑电信号的分类中取得了较好的应用效果。近似熵作为EEG的信号特征为提高思维作业脑电信号的分类正确率提供了一种新的途径，在基于思维作业BCI的应用中具有重要的实用价值。     

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。     

基于节律同化效应的思维脑电信号分类研究

通过对正弦调制光（SML）刺激和无刺激思维脑电信号的对比分类研究，探索了思维脑电信号的节律同化现象对思维脑电信号分类的影响。研究结果表明，大脑在SML刺激下进行思维作业时，思维EEG信号携带的与刺激频率有关的节律同化信息能提高某些思维作业的分类正确率，并且SML刺激产生的局部节律同化效应能减少用于提供分类信息的EEG信号的导联数。这些结果有利于提高基于思维作业脑-计算机接口（BCI）的通信准确率和速度。     

EMD和SVM结合的脑电信号分类方法

脑电(EEG)癫痫波的自动检测与分类在临床医学上具有重要意义。针对EEG信号的非平稳特点,本文提出了一种基于经验模式分解(EMD)和支持向量机(SVM)的EEG分类方法。首先利用EMD将EEG信号分成多个经验模式分量,然后提取有效特征,最后用SVM对EEG信号进行分类。结果表明,该方法对癫痫发作间歇期和发作期EEG的分类效果比较理想,识别率达到99%。     

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。     

融合脑电特征的弹性网特征选择和分类

脑机接口系统的核心问题之一是信号分类。本文针对脑电信号的异构融合特征的分类问题提出了一种新方法:封装式弹性网特征选择和分类。首先,对预处理后的脑电(EEG)信号联合应用时域统计、功率谱、共空间模式和自回归模型方法提取高维异构融合特征。其次,采用封装方式进行特征选择:对训练数据采用弹性网罚逻辑回归拟合模型,通过坐标下降法估计模型参数,运用10倍交叉验证选择出最优特征子集。最后采用已训练的最优模型对测试样本进行分类。实验中采用国际BCI竞赛Ⅳ的EEG数据,结果表明,该方法适用于高维融合特征的最优特征子集选择问题,对于EEG信号的识别不仅效果好、速度快,而且能够选出与分类更相关的子集,获得相对简单的模型,平均测试正确率达到了81.78%。     

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%。     

EEG非线性特征参数的研究

脑电图(EEG)记录了神经元群的电活动,为脑信息处理特征的研究提供重要的信息.基于相空间重构思想的时间序列分维算法(G-P算法)提取EEG信号的特征参数,讨论了G-P算法的三个重要参数,即无标度域、嵌入维数和延时的确定规则,记录大脑在不同状态下的EEG信号并计算其关联维数.实验结果表明,EEG关联维数可以有效地区分大脑不同状态的特征,关联维数可以作为脑信息处理的非线性特征参数.     

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。     

基于马尔科夫切换过程的运动想象信号分类

隐马尔科夫模型（HMM）在脑机接口（BCI）领域中已经得到很好的应用,尤其是在运动想象（MI）信号的分类中。但是,很多传统的方法只是利用隐马尔科夫模型描述信号的动态特性,再根据观测数据求得模型参数,然后进行信号分类。由于脑电信号低信噪比、高维数和状态复杂的特点,在研究中先用分层Dirichlet 过程（HDP）描述MI信号,利用HDP自聚类特性,然后使用AR模型描述MI信号的时间特性,最后结合马尔科夫切换过程（MSP）描述MI信号的动态特性,以此来充分地描述MI信号。随后对实验室采集的数据和2003年BCI国际大赛的部分数据,使用HDP AR HMM模型对MI信号分类,获得很好的分类效果,准确率分别是9900%、9200%和7246%。实验结果表明,所提出的方法可以取得更好的运动想象信号分类。     

利用排列小波熵评价脑电信号中的爆发抑制水平

为了评价脑电信号的爆发抑制水平，本文从非线性动力学的角度出发，通过计算脑电信号的排列熵，再计算排列熵的小波熵，得到一种新的参数排列小波熵（PEWE）于量化脑电信号的爆发抑制水平。结果表明，在4例数据的测试中，PEWE与双谱指数模块输出的爆发抑制比指数的相关系数达0.942 5，因此，PEWE可以作为一种新参数来量化EEG信号的爆发抑制水平，为评价EEG信号的爆发抑制水平提供了新思路。 【关键词】脑电信号；爆发抑制水平；排列熵；小波熵     

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％。     

想象动作中动态脑电的信息熵研究

想象动作可以引起脑电信号的特异性变化，如何通过提取脑电特征参数来识别想象动作的发生是目前脑-计算机接口（BCI）系统设计的技术关键之一。本研究使用两种信息熵（功率谱熵和小波熵）作为特征参数，对手部想象动作执行前后的动态脑电信号进行分析，并与目前常用的mu节律事件相关去同步（ERD）参数进行比较，以寻找特异性更强的动态参数。结果显示在想象动作对侧的运动感觉区域中，功率谱熵和小波熵均表现出与mu节律强度变化具有明显锁时关系的改变，且区分错误率得到明显降低。而在中顶部位置mu节律强度无明显变化处，熵参数对左右手想象动作的响应也具有明显的不同。结论，功率谱熵和小波熵具有良好的时域分辨能力和更准确的区分效果，可以作为特征参数用于在线BCI系统。     

Epileptic seizure detection using DWT-based approximate entropy,Shannon entropy and support vector machine: a case study

In this work, we have used a time–frequency domain analysis method called discrete wavelet transform (DWT) technique. This method stand out compared to other proposed methods because of its algorithmic elegance and accuracy. A wavelet is a mathematical function based on time-frequency analysis in signal processing. It is useful particularly because it allows a weak signal to be recovered from a noisy signal without much distortion. A wavelet analysis works by analysing the image and converting it to mathematical function which is decoded by the receiver. Furthermore, we have used Shannon entropy and approximate entropy (ApEn) for extracting the complexities associated with electroencephalographic (EEG) signals. The ApEn is a suitable feature to characterise the EEGs because its value drops suddenly due to excessive synchronous discharge of neurons in the brain during epileptic activity in this study. EEG signals are decomposed into six EEG sub-bands namely D1–D5 and A5 using DWT technique. Non-linear features such as ApEn and Shannon entropy are calculated from these sub-bands and support vector machine classifiers are used for classification purpose. This scheme is tested using EEG data recorded from five healthy subjects and five epileptic patients during the inter-ictal and ictal periods. The data are acquired from University of Bonn, Germany. The proposed method is evaluated through 15 classification problems, and obtained high classification accuracy of 100% for two cases and it indicates the good classifying performance of the proposed method.     

基于离散小波变换提取脑机接口中脑电特征

在脑机接口中，针对脑电特征提取利用单一种类信息、使用数据量大、分类性能较差等缺点，提出一种新颖的基于离散小波变换的方法。分析了小波变换特征提取的特点和特征表示方式，用Daubechies类db4小波函数对脑电信号进行6层分解，抽取小波变换各子带关键的部分逼近系数、小波系数、小波子带系数均值组成特征向量。以分类正确率为指标检验了提取特征的性能。实验结果表明，这种方法能够利用少量数据提取脑电信号本质特征，具有较高的分类性能，为利用脑电识别人的不同意图提供了快速而有效的手段。     

基于随机森林算法的高维脑电特征优选

在基于脑电的脑-机接口研究中,脑电信号的分类是较为重要的部分.从多导脑电中得到大量可用于分类的特征,并对这些特征进行优选是研究热点.本文应用多分类器组合的分类树方法和自助法重采样技术,结合随机特征选择,使用随机森林组合分类器方法对想象运动实验中的高维脑电特征进行分析.根据不同特征在生成森林过程中被选用于分枝次数的不同,提出了一种有效的特征优选方法,并在特征优选的基础上可以进行导联的筛选.     

Log Energy Entropy-Based EEG Classification with Multilayer Neural Networks in Seizure

In this study, normal EEG series recorded from healthy volunteers and epileptic EEG series recorded from patients within and without seizure are classified by using Multilayer Neural Network (MLNN) architectures with respect to several time domain entropy measures such as Shannon Entropy (ShanEn), Log Energy Entropy (LogEn), and Sample Entropy (Sampen). In tests, the MLNN is performed with several numbers of neurons for both one hidden layer and two hidden layers. The results show that segments in seizure have significantly lower entropy values than normal EEG series. This result indicates an important increase of EEG regularity in epilepsy patients. The LogEn approach, which has not been experienced in EEG classification yet, provides the most reliable features into the EEG classification with very low absolute error as 0.01. In particular, the MLNN can be proposed to distinguish the seizure activity from the seizure-free epileptic series where the LogEn values are considered as signal features that characterize the degree of EEG complexity. The highest classification accuracy is obtained for one hidden layer architecture.     

Automated EEG signal analysis for identification of epilepsy seizures and brain tumour

Abstract

Electroencephalography (EEG) is a clinical test which records neuro-electrical activities generated by brain structures. EEG test results used to monitor brain diseases such as epilepsy seizure, brain tumours, toxic encephalopathies infections and cerebrovascular disorders. Due to the extreme variation in the EEG morphologies, manual analysis of the EEG signal is laborious, time consuming and requires skilled interpreters, who by the nature of the task are prone to subjective judegment and error. Further, manual analysis of the EEG results often fails to detect and uncover subtle features. This paper proposes an automated EEG analysis method by combining digital signal processing and neural network techniques, which will remove error and subjectivity associated with manual analysis and identifies the existence of epilepsy seizure and brain tumour diseases. The system uses multi-wavelet transform for feature extraction in which an input EEG signal is decomposed in a sub-signal. Irregularities and unpredictable fluctuations present in the decomposed signal are measured using approximate entropy. A feed-forward neural network is used to classify the EEG signal as a normal, epilepsy or brain tumour signal. The proposed technique is implemented and tested on data of 500 EEG signals for each disease. Results are promising, with classification accuracy of 98% for normal, 93% for epilepsy and 87% for brain tumour. Along with classification, the paper also highlights the EEG abnormalities associated with brain tumour and epilepsy seizure.