标签均值的自训练半监督支持向量机用于EEG分类

研究半监督学习方法在EEG分类中的应用.结合标签均值和自训练思想提出两种新的半监督支持向量机方法.首先通过未标记样本的预测值估计标签均值,然后对未标记样本的标签进行优化.在此基础上提出了两种半监督支持向量机方法,一种是基于多核学习的标签均值自训练半监督支持向量机(Means4vm_mkl);一种是基于迭代优化的标签均值自训练半监督支持向量机(Means4vm_iter).对BCI Competition Dataset中的3组数据进行仿真实验,讨论分类正确率和运算效率两个指标.结果表明,两种方法均有较高的分类正确率,尤其在BCI Ⅰ数据集中,Means4vm_mkl方法达到了竞赛第一名的水平96％;而且运算效率较高,最快的只需29.5s,为在线BCI系统的设计奠定了基础.     

脑机接口中多线性主成分分析的张量特征提取

脑机接口(BCI)可以直接通过脑电(EEG)信号控制外部设备。本文针对传统主成分分析(PCA)和二维主成分分析(2DPCA)处理多通道EEG信号的局限性,提出了多线性主成分分析(MPCA)的张量特征提取和分类框架。首先生成张量EEG数据,然后进行张量降维并提取特征,最后用Fisher线性判别分析分类器进行分类。实验中将新方法应用到BCI competitionⅡ数据集4和BCI competitionⅣ数据集3,分别使用了EEG数据的时空二阶张量表示形式和时空频三阶张量表示形式,通过对可调参数多次调试,取得了高于其它同类降维方法的最佳结果。二阶输入最高正确率分别达到81.0%和40.1%,三阶输入分别达到76.0%和43.5%。     

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%。     

近似熵与SVM在自动分类癫痫脑电信号中的应用

采用近似熵(ApEn)与支持向量机(SVM)相结合的方法对癫痫发作间歇期EEG和发作期EEG进行自动识别分类,通过分类结果来检验非线性动力学指标是否可有效运用于脑电癫痫波的自动实时探测中并验证由非线性动力学指标训练的分类器的泛化能力。研究使用参考患者的脑电数据构建SVM分类器,在此分类器的基础上,对其他患者的脑电数据进行分类得到结果。结果表明利用非线性动力学指标训练的分类器具有良好的泛化能力,对不同患者的脑电数据的平均分类准确率达到较高水平。     

基于判别混合高斯模型的信息积累方法及在脑机接口中的应用

设计有效的学习算法快速准确地对脑电信号(eelectroencephalogram,EEG)进行连续预测是脑机接口(brain-computer interface,BCI)研究的关键之一.本文提出了一种新颖的基于判别混合高斯模型(discriminative gaussian mixture model,DGMM)的信息积累方法.该方法通过区分度权值对分类器在各时段的输出进行积累,从而达到提高脑电信号分类精度的作用.在两个运动想象数据集上的实验结果表明该方法能够提高BCI系统的性能,具有较好的实用性.     

基于ABC-SVM的运动想象脑电信号模式分类

为了提高运动想象脑电信号分类的准确率,针对传统支持向量机（SVM）分类方法在脑电信号处理中存在寻优繁 琐、工作量大和分类正确率低等问题,本研究提出一种基于人工蜂群（ABC）算法优化SVM的分类识别方法。首先利用正 则化共空间模式对脑电信号进行特征提取,然后利用ABC算法优化SVM的惩罚因子和核参数,最后利用提取的右手和 右脚两类脑电信号样本特征对优化后的SVM进行训练和分类测试。实验结果表明ABC-SVM分类器提高了脑电信号分 类的准确率,比传统的SVM分类器准确率高出2.5%,证明该算法的可行性和较高准确性。     

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。     

构建基于小波熵的自训练半监督支持向量机分类模型评价老年人步态

研究应用半监督学习算法分析未标注步态数据评价老年人步态,提出基于小波熵的自训练半监督支持向量机步态分类模型,通过小波熵从未标注步态数据中选取为每次自训练步态分类模型所需最具信息量的标注样本,有效获取步态数据类别间和步态数据内在的“有价值”的步态变异信息,提高步态分类器的泛化性能.首先采用10名老年人和10名青年人步态数据构建支持向量机分类模型,然后对120名不同年龄组未标注步态数据分类预测,依据小波熵选取样本数据,逐步添加更新步态样本训练集,自训练支持向量机分类模型.实验结果表明,本算法较准确鉴别青年和老年人步态模式(分类正确率90％),比基于有监督学习的支持向量机步态分类算法正确率提高近5％,有效改善支持向量机步态分类算法性能,有望为临床提供一个评价老年人步态的新方法.     

基于CSSD和SVM的抑郁症脑电信号分类

从EEG脑电信号中提取与疾病相关的信息以实现对抑郁症的自动诊断。首先采用共空域子空间分解(CSSD)方法,对躁狂型抑郁症患者与健康人两组的16导联脑电信号进行特征提取,然后用支持向量机(SVM)分类器进行训练和分类测试。实验结果表明,相对于用小波变换提取的频率相关参数为分类特征的分类准确率为88%,采用CSSD方法提取特征参数进行分类可以取得更理想的效果为95%,后者的16导联脑电信号在空间模型上表现出较高的模式可分性。该研究成果对精神抑郁症的物理诊断和研究提供了新的视角。     

基于独立分量分析的在线脑-机接口系统

在非植入式脑-机接口(BCI)研究中,独立分量分析(ICA)一直被认为是具有很大应用前景的脑电(EEG)预处理和特征增强方法,但到目前为止,有关在线ICA-BCI系统的研究与实现的报道还不多见。本文对基于ICA的运动想象BCI(MIBCI)系统进行研究,结合ICA无监督学习特点和运动相关去同步化(ERD)现象,构建了一种简单实用的ICA空域滤波器设计方法和三类运动想象判别准则。为了验证所提算法的在线处理性能,本文基于Neuro Scan脑电采集系统和VC++软件平台,完整地实现了在线ICA-MIBCI实验系统。4名受试者参加了系统测试实验,其中两名受试者参加了在线模式的实验。离线和在线实验的三分类运动想象识别结果分别达到了89.78%和89.89%。实验结果表明,本文所提算法分类正确率高,时间开销小,具备跨平台移植的潜力。     

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。     

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。     

一种基于复合稀疏表示的阿尔茨海默病的诊断方法

利用磁共振影像数据实现对阿尔茨海默病的准确诊断。将常规稀疏表示中的单层字典分解为两层,分别使用各类别的典型样本和类内差异作为两层字典的元素;设计一种两层字典协调工作的复合稀疏表示形式,以期利用训练样本更为精确地表示待识别样本,并构建分类器用于阿尔茨海默病的分类识别。在ADNI数据库的对比实验表明,该方法的识别性能优于支持向量机和同类的稀疏表示分类器。     

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%。     

基于监督局部线性嵌入方法的阿尔茨海默病磁共振成像分类研究

针对阿尔茨海默病(AD)早期阶段分类这一研究难题,传统的线性特征提取算法很难从其高维特征中挖掘出鉴别能力较强的信息来有效地表示样本特征。因此,本文采用监督局部线性嵌入(SLLE)特征提取算法,对412例受试者的大脑皮质厚度(CTH)和脑感兴趣区域体积(VOI)特征进行提取,减少其冗余特征以提高识别精度。受试者来源于阿尔茨海默病神经影像学(ADNI)数据集,包含93例稳定型轻度认知障碍(s MCI)、96例遗忘型轻度认知障碍(a MCI)、86例AD患者和137例认知正常对照老年人(CN)样本。本文采用的SLLE算法是通过添加距离修正项来计算每个样本点的近邻点,并用近邻点线性表示样本,得到局部重建权值矩阵,进而求出高维数据的低维映射。为验证该算法在分类识别中的有效性,本文将主成分分析(PCA)、近邻最小最大投影(NMMP)、局部线性映射(LLE)及SLLE等特征提取算法分别与支持向量机(SVM)分类器组合,对CN与s MCI、CN与a MCI、CN与AD、s MCI与a MCI、s MCI与AD和a MCI与AD六组实验数据进行分类识别。结果显示,以VOI为特征,利用SLLE和SVM的复合算法对s MCI和a MCI的分类准确度、灵敏度、特异性分别为65.16%、63.33%、67.62%,基于LLE和SVM的复合算法分类结果分别为64.08%、66.14%、62.77%,而基于传统SVM则分别为57.25%、56.28%、58.08%。经比较,发现SLLE和SVM组合算法的识别精度较LLE和SVM的组合算法提高了1.08%,较SVM提高了7.91%。因此,利用SLLE和SVM这一复合算法进行分类识别更有利于AD的早期诊断。     

基于去趋势波动分析(DFA)的脑卒中后抑郁症静息脑电特征提取与识别

为考察脑卒中后抑郁症(PSD)患者静息态脑电(EEG)特异性,通过去趋势波动分析(DFA),提取16导联EEG信号波动函数F(s)和区间长度s函数关系在双对数坐标中线性拟合斜率之标度指数α值,作为EEG信号的长程幂函数相关性特征参数.将3类人群(健康正常组10人、脑卒中后无抑郁症组4人、脑卒中后抑郁症组7人)的16导联EEG信号α值作为样本进行独立样本t检验,结果显示,健康人与脑卒中患者在顶叶、颞叶以及枕叶处α值存在显著性差异(P＜0.05);利用支持向量机(SVM)分类器,将EEG信号DFA的α值放入16维特征空间在脑卒中患者组(含抑郁症与无抑郁症)内进行模式识别,可获得最高90.9％的分类正确率,有望为临床PSD提供客观有效的辅助诊断新手段.     

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.     

多变量自回归和多线性主成分分析结合的多通道信号特征提取研究

脑机接口(BCI)系统通过从脑信号中提取特征对其进行识别。针对自回归模型特征提取方法和传统主成分分析降维方法处理多通道信号的局限性,本文提出了多变量自回归(MVAR)模型和多线性主成分分析(MPCA)结合的多通道特征提取方法,并用于脑磁图/脑电图(MEG/EEG)信号识别。首先计算MEG/EEG信号的MVAR模型的系数矩阵,然后采用MPCA对系数矩阵进行降维,最后使用线性判别分析分类器对脑信号分类。创新在于将传统单通道特征提取方法扩展到多通道。选用BCI竞赛IV数据集3和1数据进行实验验证,两组实验结果表明MVAR和MPCA结合的特征提取方法处理多通道信号是可行的。     

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.