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PCA和LDA数据降维的脑磁图脑机接口研究

脑磁图(MEG)信号作为一种新的脑-机接口(BCI)输入信号,含有手运动方向的模式信息。通常对MEG信号采用信号处理的特征提取和线性分类,识别率一直难于提高。本文提出用主成分分析(PCA)方法对其进行特征提取,并用线性判别分析(LDA)进行了优化,最后用最近邻非线性分类器进行分类,在分类结果的基础上分析了混淆矩阵。实验结果表明PCA+LDA方法能有效的分析多通道的MEG信号,平均识别率达到了53.0%,优于BCI竞赛Ⅳ的识别率46.9%。     

基于多特征融合的运动想象脑电信号识别研究

目的:脑机接口通过识别脑电信号后对外部设备进行控制,针对传统的提取单一特征方法无法多角度表征脑电,提出一种多特征融合的特征提取方法。方法:分别使用自回归模型、经验模态分解、共空间模式提取结合时-频-空域的初始特征向量,用主成分分析降维,最后用支持向量机分类。结果:对BCI2003数据处理后,得到91.9%的识别率,高于单一特征和两两组合特征下的识别率以及BP神经网络、概率神经网络的识别率。结论:多特征融合的特征提取方法更好地代表了脑电特征,同时采用支持向量机分类可取得较好的效果,证明本研究方法的有效性,可进一步用于脑机接口中。     

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。     

基于回声状态网络的脑电信号特征提取

在脑电(EEG)信号自动检测和分类的研究中,EEG信号的特征提取至关重要。本文分析了目前主要EEG信号特征提取方法的优缺点,并提出了一种基于回声状态网络(ESN)的EEG信号特征提取方法。该方法可以实现EEG信号的非线性特征提取,并且其特征提取过程是近似可逆的,因而在特征提取过程中损失的信息较少。该方法在EEG信号特征提取过程中,主要计算量是求解状态矩阵的伪逆,计算简单高效。在对波恩大学癫痫研究所的EEG数据库进行多类别分类的实验中,本文所提出的EEG信号特征提取方法展现出了良好的性能。     

脑机接口中基于SOBI的EEG预处理

目的针对脑机接口(brain computer interface,BCI)中脑电信号(electroencephalography,EEG)包含的伪迹以及信号源可能服从多个高斯分布,本文提出一种基于二阶盲辨识(second-order blindidentification,SOBI)的盲源分离去除伪迹方法。方法首先,含有伪迹的多个导联EEG信号采用联合近似对角化和数据白化,计算出混合矩阵,同时分解成数目相等的若干个独立分量。然后,根据伪迹信号特有的直观特性,将分解出含有伪迹的独立分量置零,剩余分量通过混合矩阵,进行逆向投影重构,得到去除伪迹后EEG信号。最后,对3名实验者的实验数据,从处理时间和识别精度两方面进行检验。结果本文中提出的SOBI方法相比于常用的独立成分分析(independent component analysis,ICA),在单个样本处理时间上,分别缩短了1691 ms、1770 ms和2308 ms;在识别精度上,分别提高33%、5%和10%。结论 SOBI能快速有效地去除伪迹信号,为BCI中EEG的在线处理奠定了基础。     

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.     

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。     

双人肢体协作动作运动想象脑电的ERD/ERS特征分析

目的 基于运动想象(motor imagery, MI)的脑机接口(brain computer interface, BCI)一般采用基于单人肢体动作的MI任务范式,诱发的事件相关去同步/同步(event-related desychronization/synchronization, ERD/ERS)模式及对应的可辨识思维类别数较为有限,无法满足BCI对外多指令控制。为此,本文在单人肢体动作MI的基础上引入双人肢体协作动作MI,探索双人肢体协作动作MI的脑电(electroencephalograph, EEG)信号的多脑区ERD/ERS特征。方法 采用自回归模型功率谱估计和事件相关谱扰动方法,对被试者执行单人左/右手动作MI、双人左/右手协作动作MI的EEG数据,进行频率-空间-时间特性对比分析与研究。结果 区别于单人左/右手动作MI,双人左/右手协作动作MI的EEG信号在大脑额叶区出现ERD特征,在感觉运动皮质区出现ERD、ERS特征,特征的频带更宽;感觉运动皮质区的ERD特征出现时间较晚、持续时间更长,且ERD、ERS特征的对比度更大。结论 在相同肢体部位的前提下,双人肢体...     

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。     

基于小波包分析的意识任务特征提取与分类

将基于小波包变换的多尺度分析方法应用于自发脑电 (EEG)的特征提取。在对 3种意识任务的脑电信号进行多级小波包分解的基础上 ,将不同尺度空间的能量信号作为特征值 ,组成不同意识任务的特征向量 ,并利用径向基函数神经网络进行分类测试。结果表明 ,小波包变换方法的分类正确率高于自回归模型方法。小波包分析方法可以作为不同意识任务脑电信号特征提取的一种新方法 ,具有较强的稳定性     

基于互信息与主成分分析的运动想象脑电特征选择算法

针对脑机接口中运动想象任务的特征选择问题,提出一种基于互信息与主成分分析的脑电特征选择算法。该算法融入类别信息,用不同运动想象类别条件下特征间的互信息矩阵之和取代传统主成分分析算法中的协方差矩阵,其特征向量表示新的主成分空间内各主成分的方向,特征值则作为评价准则判断主成分维数。对2005年国际BCI竞赛数据集,联合功率谱估计、连续小波变换、小波包分解、Hjorth参数四种方法进行特征提取,采用所提出的算法进行特征选择并与主成分分析算法对比,实验结果表明,所提出算法的降维效果更好,以支持向量机为分类器,相同维数的主成分,所得分类正确率更高。     

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%。     

基于脑磁图的智能脑机交互关键技术EI北大核心CSCD

脑机交互(BCI)是一种变革性的人机交互,旨在绕过外周神经和肌肉系统直接把脑神经的感知觉、表象或思维活动转化为动作,以进一步改善或提高人类的生活质量。脑磁图(MEG)测量神经元电活动产生的磁场,具有非接触式测量、时空分辨率高和准备方便等独特优势,是一种新的BCI驱动信号,基于脑磁图的脑机交互(MEG-BCI)研究具有重要脑科学意义和潜在应用价值。迄今为止,少有文献阐述MEG-BCI涉及的关键技术问题,为此本文聚焦MEG-BCI关键技术,详述了实用MEG-BCI系统中涉及的信号采集技术、MEG-BCI实验范式设计、MEG信号分析和解码关键技术、MEG-BCI神经反馈技术及其智能化方法。最后,本文还讨论了MEGBCI存在的问题和未来发展趋势,期望本文为MEG-BCI创新研究提供更多有益思路。     

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%。     

脑机接口中一种多类运动想象任务识别新方法

目的针对脑机接口中三类运动想象任务,提出一种最小二乘法自适应滤波结合独立成分分析以及样本熵(RLS-ICA-Samp En)、多类共同空间模式(CSP)、增量式支持向量机(ISVM)相结合的脑电识别新方法,以解决脑机接口中多类运动想象正确率低的问题。方法首先采用ICA将EEG分离,然后利用样本熵自动识别分离后的噪声,再采用RLS对识别出来的噪声进行滤波,最后进行信号重构,得到去除噪声的脑电信号。多类CSP采用"一对一"CSP与多频段滤波相结合,对去噪后的脑电信号进行特征提取。通过"一对多"方式的ISVM对三类运动想象脑电信号获取的特征向量进行分类。为检验新方法的有效性,将本文方法与多类CSP+ISVM(方法 1)及RLS-ICA+多类CSP+ISVM(方法 2)进行比较。结果对三类想象任务而言,本文方法识别正确率与方法 1和2相比均高8%左右。结论与方法1和2比较,RLS-ICA-Samp En、多类CSP、ISVM相结合的脑电识别新方法能更好地适用于多类运动想象任务识别。     

脑电逆问题在运动康复领域中的应用

基于脑电(EEG)的脑机接口(BCI)康复系统正日益受到运动康复领域的重视,但是传统的BCI范式限制系统的使用范围和使用方式。基于脑电逆问题的BCI系统能识别较高空间和时间分辨率下的神经自发调制活动,从而可扩展运动指令集并进一步促进BCI系统的直观使用。介绍脑电逆问题领域当前的相关方法及其在运动康复领域的应用,总结归纳存在的问题并分析未来脑电逆问题在运动康复领域的新的应用思路。     

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。