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。     

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。     

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%。     

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。     

基于量子粒子群优化和独立分量分析的脑电特征提取

特征提取是基于P300的脑机接口(BCI)系统中非常关键的步骤。独立分量分析(ICA)算法是效果较好的P300特征提取方法,但目前常用的ICA迭代方法收敛性能均不理想。提出一种基于量子粒子群优化(QPSO)和ICA算法的P300特征提取方法。该方法利用量子计算在计算速度上的优势,加快了ICA算法的全局收敛,达到了快速有效提取P300的目的。实验针对BCI CompetitionⅡdatasetⅡb和BCI CompetitionⅢdatasetⅡ两组公共数据集进行测试,提取出的P300特征送入线性分类器,系统识别正确率在15次叠加平均情况下达94.4%。实验结果表明,本文方法用于P300特征提取,在保证提取效果的同时,计算速度更快,为在线BCI系统的进一步研究提供了实验基础。     

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。     

基于左右手运动想象单通道脑电信号的预处理研究

在左右手运动想象的脑电(EEG)分析方法中,目前大多针对多通道采集的EEG数据,难以应用到单通道脑机接口(BCI)中。本文采用一种改进的独立成分分析(ICA)方法,实现了对EEG数据有效的预处理。首先,对数据进行线性漂移校正,去除数据漂移;然后采用延时窗口数据增加虚拟通道数,利用ICA除去EEG数据中的伪迹,即眼电和心电;最后利用希尔伯特-黄变换(HHT)后的瞬时幅值,求平均瞬时能量特征并分类。实验证明,该方法测试性完成了EEG数据的预处理工作,提高了单通道EEG信号的分类率,可为单通道的便携式BCI研究打下基础。     

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CSP算法与小波包分析方法的运动想象脑电信号特征提取性能的比较

运动想象脑电特征快速准确提取是脑-机接口技术研究的重要问题.本研究分别讨论了共同空间模式(common spatial pattern, CSP)与小波包分析关于左右手运动想象特征提取的原理,并对两种方法进行了比较.对于GRAZ大学提供的运动想象脑电数据,使用CSP 与支持向量机(support vector machine, SVM)结合的分类正确率最高为85.5%;使用小波包分析与SVM结合的分类正确率最高为99%.同时对于本实验室采用Emotiv epoc+ 系统采集的运动想象脑电数据,利用小波包分析与 SVM结合的分类正确率也保持在98%以上.实验结果表明,相较于CSP算法,小波包分析对于运动想象特征提取的效果更好.     

基于连续小波变换和支持向量机的手动想象脑电分类

对左右手运动想象脑电信号进行准确分类是脑-机接口（BCI）研究领域的重要问题。本文利用连续小波变换（CWT）提取脑电信号中相应的手动想象特征信号，并通过支持向量机（SVM）对特征信号进行分类，取得了较好的分类效果，然后经过分析SVM的学习算法，讨论了对于SVM的分类有着关键影响的时间成分，反映出传统的ERD／ERS计算方法可能出现的问题。     

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。     

多类核共空间模式特征提取方法研究

为了缓解共空间模式（CSP）下,对脑内的源信号和记录的脑电（EEG）信号之间严格的线性模式的假设关系,需要研究一种核共空间模式（KCSP）的特征提取方法。考虑到脑-机接口（BCI）研究已经逐渐从两类的模式识别发展为多类的模式识别,因而提出了多类核共空间模式（MKCSP）的方法,该方法将KCSP方法和多类CSP方法结合起来。我们用Logistic线性分类器对提取的特征进行了分类。实验使用的数据是2005年BCI竞赛Ⅲ的数据集Ⅲ₃a。通过实验表明,本文中的方法能够从多类别的单次试验的EEG数据中提取相应的特征,并得到了较好分类结果。     

基于盲源信号处理的脑电特征提取方法的研究

本文首先研究对比AMUSE、SOBI、JADE、FastICA四种典型盲源信号处理算法提取脑机接口(BCI)中四种运动想象脑电源信号(想象左手、右手、脚和舌)的分类识别正确率。之后从时间和空间两个角度,组合应用两种盲源信号处理算法,解决特征提取时脑电信号微弱、不平稳和极易受到各种干扰的问题。研究结果表明:通过组合SOBI和FastICA算法,能够提取出比较微弱的想象运动源信号,并且能够在一定程度上消除外部干扰的影响,有利于进一步研究大脑在运动控制过程中的脑电生理机制,提高BCI系统的实际应用能力。     

基于多通道线性描述符的脑-机接口分类算法的研究

脑电信号的特征提取是脑—机接口(BCI)中的一个关键部分,对提高分类正确率和信息传输率起着决定性的作用。本研究利用多通道线性描述符提取脑电信号的分类特征信息,将三个描述符单独和联合地施加于三个感兴趣的电极子集,导出12个特征矢量。五个受试参加了一个在线反馈BCI实验。实验期间他们被要求想象左手或右手运动,记录的脑电图数据用于离线分析。对来自7导和11导两个电极子集的8个特征矢量,五个受试平均的分类精度在89%和93.5%之间,而最好的分类精度在85%与99.9%之间。比较基于描述符的特征与基于自回归(AR)模型的特征分类性能,结果表明多通道线性描述符是一种有效的特征提取方法。使用该方法提取特征时,理想的电极数应在7与11之间。     

基于不同特征参数的脑电信号分类

分别以自回归(autoregression,AR)模型系数、相关系数和信息熵作为信号特征对不同思维作业脑电(EEG)信号进行分类,其中相关系数和信息熵均是首次用于思维作业EEG信号的特征提取.实验结果显示,采用信息熵作为EEG信号特征的分类准确率总体上明显高于采用另两种特征参数,且受提取特征的数据分段长度的影响最小,有利于提高基于思维作业实时脑- 机接口的通信准确度和速率.同时,研究结果也进一步证实了高频信息可用于EEG的分类.     

独立式脑-计算机接口信号处理和识别方法研究

目的为独立式脑-计算机接口(brain-computerinterface,BCI)选择合适的数据预处理、特征提取和模式识别算法,提高系统的识别率.方法分别使用不同的空间滤波算法、特征提取方法和模式识别算法,对同一组BCI数据进行处理,并对结果加以比较分析.结果使用空间滤波器small-laplacian提高信噪比,AR谱估计提取C3和C4导联特定波段能量作为特征,Bayesian判决进行分类,可以取得较好的识别率.结论高信噪比以及合适的特征是提高识别率的关键因素.     

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。