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。     

节律自适应的运动想象脑电空域特征提取方法

目的：针对运动想象脑电（MI-EEG）信号个体差异性大，特征质量依赖频带的选择，导致多类MI-EEG信号识别效果差的问题，提出节律自适应的空域特征提取方法。方法：用滤波器组共空间模式（FBCSP）提取多个频带的空域特征，结合免疫粒子群优化算法，对特征提取过程中的频、空参数寻优，实现节律、空域特征提取参数的自适应调整，获取最优节律下的FBCSP空域特征，提升多类MI-EEG信号的识别准确率。结果：本文方法在BCI-Ⅳ Dataset 2a、BCI-ⅢDataset 3a数据集上取得85.49%的平均准确率，较原始FBCSP方法提升10.84%。结论：本文方法更好地获取了脑电空域特征，能有效提高分类正确率，为MI-EEG分类提供了新的解决思路。     

基于小波方差的ECoG分类EI北大核心CSCD

针对典型的基于皮层脑电图(ECoG)的脑-机接口(BCI)设计,被试任务为想象左手小指和想象舌头运动,提出了采用小波方差的特征提取方法。首先在小波变换的基础上,提出小波方差的计算方法及其意义,并以此作为特征,从64导联中获取特征较为明显的6个导联进行分析;然后对脑电(EEG)数据进行三层小波分解,根据ERD/ERS现象,提取包含Mu节律和Beta节律的小波系数方差作为特征,采用交叉验证的方法,利用classify进行线性分类。离线分析表明,对训练集和测试集的分类正确率达到90.24%和93.77%,小波方差作为BCI研究中特征提取的方法具有更加简单和有效的特性。     

超声刺激对大鼠多皮层ECoG的调控

目的:为了进一步揭示超声刺激的神经调控机制以及超声刺激引起的刺激效应范围,将超声刺激经颅施加到大鼠前额叶皮层部位,同步记录和分析前额叶、顶叶及枕叶皮层的皮层电位（Electrocorticogram, ECoG）的变化特征。方法:在大鼠麻醉状态下,利用脑立体定位仪将超声探头定位在大鼠前额叶部位的正上方,刺激时间为20 min。以功率谱密度（Power Spectral Density, PSD）、振幅及互相关系数值为指标,分析比较超声刺激前、刺激中、刺激后的ECoG总功率、平均幅值以及皮层间的互相关系数值。结果:（1）超声刺激会增加前额叶皮层ECoG的总PSD和平均幅值（P<0.05）,超声刺激停止后,在较短的时间内ECoG恢复到刺激前水平;（2）在顶叶及枕叶皮层,超声刺激对总ECoG及各频段信号的PSD、平均幅值无显著性影响。但在超声刺激过程中,枕叶ECoG的部分时间段的平均幅值相对于刺激前有显著性差异,即在超声刺激的后半段时间内,超声刺激产生刺激效应范围扩散到枕叶皮层。结论:超声刺激对刺激局部的ECoG具有调控作用,且这种调控具有及时性及快速恢复的特点。超声刺激对ECoG的调控效应范围总体上来说是局限性的,对远离刺激部位的其他脑皮层ECoG的影响尚无明确关系,其效应很可能是超声刺激局部引起的后续神经网络反应。 【关键词】超声刺激;ECoG;脑皮层;神经调控     

恐惧记忆的形成对大鼠内侧前额叶皮层ECoG的影响

目的记录并分析大鼠在穿梭实验恐惧记忆形成前后内侧前额叶皮层的皮层脑电(Electrocorticogram,ECoG)的变化特征,揭示恐惧记忆的形成对内侧前额叶皮层ECoG的影响。方法通过穿梭实验诱导出大鼠对厌恶刺激的恐惧记忆,在恐惧记忆形成前后分别记录大鼠处于清醒和浅麻醉状态下内侧前额叶皮层的ECoG,分析ECoG频率谱、功率谱的变化特征。结果不论大鼠是处于清醒状态还是浅麻醉状态,恐惧记忆形成前后ECoG的总功率没有显著性差异(P0.05)。尽管恐惧记忆的形成对于浅麻醉状态下的ECoG的频率谱没有显著性改变(P0.05),但恐惧记忆的形成对于清醒状态下的ECoG的频率谱具有显著性的影响(P0.05):表现为θ波比例显著减少(P0.05),β波比例显著增加(P0.05)。实验结果提示穿梭实验恐惧记忆的形成使清醒状态下的大鼠的内侧前额叶皮层处于兴奋状态。     

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。     

基于脑电复杂度的意识任务的特征提取与分类

本研究提出了利用事件相关脑电复杂度提取大脑运动意识特征，应用Mahalanobis距离判别式分析法，对人脑想象左右手运动任务进行分类，获得了满意的结果。对受试者想象左右手运动期间在大脑初级感觉运动皮层区记录的脑电信号采用复杂度分析方法量化了事件相关去同步（ERD）和事件相关同步（ERS）时程，结果表明EEG复杂度特征较好反映了ERD／ERS变化时程。最后对测试数据进行分类，最大分类正确率达到86．43％，通过最大分类正确率，最大信噪比，最大互信息等评价指标比较，验证了该方法的有效性，从而为大脑运动意识任务的特征提取及分类提供了新思路。     

SVM和小波包变换在动作模式识别中的应用

支持向量机（SVM）是一种线性机器，广泛用于模式分类和非线性回归。对于很多低维非线性可分的模式，如果我们能够提取合适的高维特征向量，则模式往往在高维特征空间是线性可分的。本文利用小波包变换提取动作的特征向量，将各种动作信号映射到特征空间形成一定维数的特征向量，然后采用SVM进行动作识别。试验证明。当特征空间维数合适时，利用SVM进行动作识别效果良好。     

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。