基于脑肌电融合的混合脑机接口研究

动作模式识别是脑机接口技术的核心内容之一。针对目前脑机接口动作识别模式单一、识别率低等问题,基于混合脑机接口思想,提出一种脑电和肌电特征融合策略,可实现单侧肢体不同动作模式的有效分类,进而可用于脑机接口技术。同步采集9名健康受试者单侧手腕屈/伸两种动作模式下的脑电信号和表面肌电信号,分别提取脑电信号事件相关去同步化特征和表面肌电信号的积分肌电值特征,构建基于支持向量机和粒子群优化算法的脑肌电融合及运动模式识别模型,通过调整“特征融合系数”来实现动作模式最优分类,从而提高模式识别的准确率;进一步通过递降健康人的肌电信号幅值来模拟患者和运动疲劳状态下的肌电信号,验证所提出方法对动作模式识别的有效性。实验结果表明,基于脑肌电融合特征的动作模式识别率(98%)比单纯依靠脑电特征的识别率(73%)提高25%;在运动疲劳状态下,基于脑肌电融合特征的识别率稳定在80%以上,比单纯依靠肌电特征的识别率提高14%。可见,脑肌电融合策略能提高动作模式识别的准确性和鲁棒性,为混合脑机接口技术提供条件。     

基于核函数极限学习机和小波包变换的EEG分类方法

目的为实现运动功能障碍患者的运动意愿,基于脑-机接口(brain-computer interface,BCI)的康复训练技术是近年来的研究热点。脑-机接口的关键技术是快速准确地识别出与运动想象相关的脑电模式。针对脑电信号非平稳及个性化差异等特点,利用小波包理论和核函数极限学习机(extreme learning machine,ELM)方法,提出一种自适应的特征分类方法来提高脑电信号的分类识别率。方法由于小波包存在着频带交错的现象,所以首先利用距离准则将自适应提取的最优小波包的平均能量作为特征向量,并采用核函数ELM方法进行分类。最后利用BCI竞赛数据进行了脑电信号特征分类的仿真研究,并对不同算法的分类识别率进行仿真分析。结果自适应特征分类方法对用于实验的脑电数据的平均分类识别率达到97.6%,对比ELM、神经网络(back propagation,BP)和支持向量机(support vector machine,SVM)分类方法,核函数ELM方法在分类时间和识别精度上效果最佳。结论本文提出的脑电信号分类方法取得了较高的分类识别率,适用于脑电信号的分类应用。     

支持向量机后验概率方法在多任务脑机接口中的应用

基于运动想象的脑机接口是把使用者的运动意图转变成控制外部设备的信号,它包括脑电数据采集,特征提取和模式分类等几个基本环节.本研究发展了用支持向量机后验概率输出进行分类,并用分类结果中具有大概率的测试样本扩充训练集的模式分类与特征更新方法,并把此方法应用于4类任务运动想象脑机接口实验.使用BCI Competition Ⅲ的数据Ⅲa,运用一对一共空间模式扩展方法进行特征提取,用支持向量机后验概率方法进行分类和训练样本扩充.结果表明:概率信息能提高BCI的性能;应用概率信息选取样本扩充训练集能增加分类器的稳健性.     

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。     

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。     

脑电信号的小波特征提取及半监督识别方法的研究

特征提取和特征分类是脑机接口中模式识别过程中两个关键的环节。首先,针对脑电信号的非平稳特性,提出基于小波变换系数、系数均值及小波熵相结合的特征提取方法,该方法在特征中加入了脑电信号的能量信息。实验证明,通过该方法获取的P300信号特征量能够更好地表达脑电信号中的瞬变成分,进一步提高了识别率;其次,在模式识别方面,改进了基于自训练半监督的支持向量机算法和基于自训练半监督的K均值聚类算法。在BCI2003竞赛数据集上的实验表明,相比于传统的BP神经网络,两种改进的分类算法在获得了更高的识别率的同时,能够将特征量维数降低一个数量级,明显提高了训练收敛速度,有效增加了基于脑电信号的实时BCI系统的可实现性。     

基于异方差混合转移分布模型和支持向量机的脑电分类研究

为解决线性分析和单一非线性动力学指标方法无法准确描述脑电信号的问题,本研究提出基于异方差混合转移分布模型脑电特征提取方法。首先对采集到的脑电信号依据条件期望最大化(ECM)算法建立异方差混合转移分布模型,求得模型条件方差序列的均值及方差作为脑电信号的特征,将得到的脑电信号特征采用支持向量机进行分类。通过对6个人的正常脑电信号和带有眼电伪迹脑电信号进行分类仿真实验,其结果表明该方法能很好地拟合出脑电信号,且分类精确度能达到99.166 7%,说明此方法可有效提取脑电特征并准确识别出眼电伪迹。     

基于特征融合神经网络的运动想象脑电分类算法

运动想象-脑机接口（MI-BCI）技术为运动障碍患者提供了一种新的与外界交流的能力。应用卷积神经网络（CNN）处理运动想象（MI）脑电分类问题时,多提取最后卷积层的特征,忽视了中间层大量可用信息,导致MI-BCI的分类性能较差。针对这一问题,提出模型内层融合（WMFF）和模型间层融合（CMFF）两种特征融合策略。WMFF策略提取CNN每一层特征进行融合;CMFF策略融合CNN和长短时记忆网络并提取每一层特征。本研究用BCI竞赛IV Datasets 2a数据集对所提方法进行验证,WMFF和CMFF MI脑电信号四分类平均正确率分别达到76.19%和80.46%。结果表明,所提方法可有效提高MI脑电信号分类正确率,为MI脑电信号分类提供了新的思路。     

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。     

轻度认知障碍患者EEG动力学特征提取与分类方法研究进展

脑电图可用于对轻度认知障碍的病理性变化进行评估。近年来,脑电领域的特征提取和分类方法广泛地应用到对轻度认知障碍疾病的诊断中。首先从局部耦合与全局同步两个方面,深入分析轻度认知障碍患者脑电信号特征提取方法的应用情况及其优势和不足,而后对当前轻度认知障碍患者脑电信号特征进行分类的多种方法进行详细总结与分析,如支持向量机、k均值以及近年来应用广泛的卷积神经网络等,最后对该领域脑电动力学特征提取与分类方法的未来发展趋势进行展望。     

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。     

基于多尺度功能脑网络融合特征的抑郁症分类算法

【摘要】提出一种多尺度功能脑网络融合特征的抑郁症分类方法，具体思想包括:首先通过精细化脑区，建立4种不同尺度的脑网络；然后对每种尺度的脑网络分别提取局部特征和全局特征，并将多种尺度脑网络的特征进行有效融合并降维；最后使用支持向量机对患者脑部功能磁共振影像进行分类。试验结果表明，分别提取局部特征和全局特征，并进行有效融合，可以提升识别效果；空间尺度减小会得到更多有效特征，进而能够有效提升分类结果；多尺度特征融合也可以在很大程度上对分类结果起到积极作用。与传统单一大尺度脑网络方法相比，本研究提出的方法获得了更加优秀的试验结果，识别率可达88.67%，充分验证了本研究提出方法的有效性和可行性，并为抑郁症患者的临床诊断与治疗提供生物学依据。     

基于时-频-空间域的运动想象脑电信号特征提取方法研究

脑机接口(BCI)是在人或动物脑与外部设备间建立的直接连接通路,信号分析功能模块是其核心部分,其中特征提取算法的效果如何是脑电图(EEG)信号分析算法的关键。EEG信号本身信噪比低,传统的EEG特征提取方法存在着缺少空间信息,需要的特征量个数较多,分类正确率低等不足。针对以上问题,本文提出了一种基于小波和独立分量分析(ICA)的时间-频率-空间EEG特征的提取方法,分别用离散小波变换(DWT)和ICA提取时频域特征和空域特征。并用支持向量机(SVM)和遗传算法(GA)相结合的方法对提取的特征进行分类。实验对比结果表明,所提出的方法有效地克服了传统的时频特征提取方法空间信息描述不足等问题,对于2003年BCI竞赛数据datasetⅢ分析,最高分类正确率为90.71%。     

一种用于脑机接口的模式识别方法

基于脑电的脑机接口(BCI)是在人脑和计算机或其他电子设备之间建立的全新对外信息交流和控制技术,是一种不依赖于常规大脑信息输出通路(外围神经和肌肉组织)的脑机通讯系统.及时有效地提取和识别与运动想象有关的脑电模式可以帮助运动功能受损的病人建立一种与外界沟通的新途径.论文基于传统的特征提取方法--时频特征组合法,经过滑动窗优化,获取最佳时间段的时域均值和最佳频率段的频域功率谱均值,以此作为特征向量.基于该特征向量,用径向基概率神经网络对脑电信号进行分类.实验结果表明,该方法能够有效地提高脑电识别率,具有应用价值.     

视觉刺激下基于“是-否”状态的脑电信号分类研究

目的为了探究脑机接口中脑电信号与判断认知心理活动之间的识别问题,本文在视觉刺激诱发实验设计中采用文字和图片结合的方式进行脑电分类研究以期提高识别率。方法通过设计视觉刺激诱发判断认知脑电实验采集到15名受试者在"是"或"否"状态下的脑电信号,经过预处理和事件相关扰动(event-related spectral dynamics,ERSP)特征分析,运用经验模式分解(empirical mode decomposition,EMD)优化共空间模式(common spatial pattern,CSP)的特征提取算法进行分类识别。首先,利用EMD对预处理后的脑电信号进行有效的固有模态函数(intrinsic mode function,IMF)频段筛选;其次,使用CSP滤波器进行滤波提取特征向量;最后,使用支持向量机(support vector machine,SVM)进行分类识别,并对测试组进行检验。结果经过EMD-CSP优化滤波后进行SVM分类正确率可达8897%,相比单独利用CSP进行特征提取下的SVM分类结果提高了约5%。结论 EMD-CSP优化滤波方法对判断认知脑电识别的可行性和有效性,为进一步开发脑机接口应用产品提供认知参考依据。     

一种运动想象脑电分类算法的研究

为了解决脑机接口(BCI)中不同意识任务下脑电信号分类问题,针对运动想象脑电(EEG)的事件相关去同步/同步(ERD/ERS)现象,提出一种基于支持向量机(SVM)的实用分类算法。该算法首先对脑电信号进行滤波,获得对运动想象比较敏感的频段,对滤波后的脑电信号,通过去均值减小由于均值不同所造成的误差,然后,再提取基于ERD/ERS的脑电能量场强特征,对提取的特征,运用支持向量机(SVM)进行分类,得到了满意的效果。结果表明,此方法可为脑机接口技术的应用提供有效的手段。     

空间滤波方法在脑-机接口中的应用及研究进展

随着脑-机接口技术的不断发展,通过优化数据处理算法来提高脑-机接口系统的分类正确率已成为研究热点。近年在多种脑-机接口范式中都发现空间滤波能够提高脑电信号的信噪比并优化特征提取,从而提升脑-机接口系统的分类正确率。空间滤波在基于脑电的脑-机接口中正日趋凸显其重要应用价值。综述脑-机接口中的脑电信号处理常用的空间滤波方法,包括基本空间滤波器、用于脑电预处理及特征降维的空间滤波器,以及基于诱发节律和诱发电位的脑-机接口中用于特征提取的空间滤波器,并阐述各类空间滤波方法的基本原理、构建方法及相关研究成果。最后归纳目前存在的问题并对发展趋势进行展望。     

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。