基于EEG的警觉度客观检测与通道筛选技术研究

在航天领域,警觉度的降低会影响航天员的工效,还可能引发重大安全事故。针对航天领域的警觉度客观检测技术进行研究,设计了多轮次PVT和3⁃back任务结合的警觉度建模实验,并全程采集EEG信号和行为学数据,该实验范式成功诱导了37名志愿者警觉度下降,并伴随着大脑快波成分减少,慢波成分增加,复杂度降低等现象,在额叶、颞叶和枕叶区域变化明显。使用方差分析(ANOVA)结合支持向量机(SVM)对单个特征建模的方法筛选出了6个警觉度敏感特征,在此基础上使用SVM⁃RFECV方法筛选出了12个警觉度敏感导联,最后使用SVM进行警觉度客观检测模型的构建。结果显示:特征筛选前的平均分类正确率为83.10%,在导联筛选后为87.16%,提升了约4%。特征筛选和导联筛选工作有效地提高了模型的综合性能,同时简化了脑电采集流程,减少了后续数据处理的工作量和时间成本。

P300 Speller中基于AdaBoost SVM的导联筛选研究

P300 Speller是目前少数可以用于临床残疾人功能补偿的脑-机接口系统,P300 Speller的字符识别效率与脑电信号采集的头皮表面电极位置密切相关,过多的电极不但增加了使用者的不适感,且易引入噪声干扰进而影响系统的稳定性。采用并发展了一种基于AdaBoost SVM(adaptive boosting support vector machine)的特征筛选方法,对脑电导联进行优化筛选,通过对6位受试者的实验数据处理及分析,结果表明该方法可以在不显著影响识别效率的基础上降低导联数量76%以上。另外,相较于经典的SVM-RFE特征筛选方法,该方法极大降低了计算复杂度,更适用于训练数据庞大的脑电特征优化问题。

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。

脑—机接口研究中想象动作提取的新方法

想象动作提取是脑—机接口(BC I)技术的关键和难点之一.本文采用连续小波变换结合贝叶斯神经网络组成新的分类方法,利用想象动作思维引起的事件相关去同步(ERD)现象进行特征脑电信息检测与模式识别.研究表明,该方法较常用的线性分类器具有更高的识别准确率和较强的抗干扰能力及较快的识别速度,基本可以满足实时BC I系统模式识别的需求.

基于支持向量特征筛选方法的想象动作识别

引入了支持向量特征筛选方法,以克服基于想象动作诱发脑电特征的脑-机接口识别中,由于特征维度较高而训练数据有限、不易获得理想识别效果的问题.支持向量特征筛选方法采用扰动支持向量机代价函数的方法测量特征的分类贡献度,进而建立特征序贯指数,以递归方法进行特征排序和优化筛选.对14例受试者的左右上肢想象动作诱发脑电信号进行分析,提取6类246维特征,采用支持向量递归筛选方法进行特征优选,利用支持向量机对优选特征进行识别,结果显示,支持向量递归筛选得到的优选特征可显著提高识别正确率.研究表明,支持向量特征筛选可以降低无效特征干扰,提高分类器效率,适用于特征维度较高的脑-机接口任务识别.

P300 Speller中基于权值重采样的ABSVM字符识别方法研究

P300 Speller是脑-机接口中重要的信息交互方式,由于其诱发的脑电特征信噪比较低与训练样本量庞大等问题,常规的线性识别算法和支持向量机等非线性识别算法难以获得理想的识别效率.本文引入了一种基于权值样本重采样过程的Adaptive Boosting SVM(ABSVM)方法,在大样本集上利用AdaBoost重采样方法建立一系列小样本子集,在其上训练支持向量机并将其集成后进行识别.对6位受试者P300 Speller字符辨识实验的脑电特征识别结果发现,该方法能够显著提高字符识别效率,在合并使用5次重复刺激特征的情况下字符识别准确率达到97.5%.使用国际脑机接口竞赛数据库数据进一步验证,在合并使用5次重复刺激特征的情况下该方法识别正确率较竞赛报告的最优方法提高7.35%,最大信息传输速率的提高达到48.9%.研究结果表明,ABSVM方法能够有效提高P300 Speller的识别效率和信息传输速率,值得进一步研究和发展.

功能性电刺激下下肢相关运动诱发的脑状态变化分析

目前,应用功能性电刺激(functional electrical stimulation,FES)进行中风后康复治疗已经十分普遍,但是对于FES治疗过程中大脑的状态变化却缺乏深入的研究.掌握这一变化规律有助于了解大脑在FES治疗过程中的康复机制.笔者尝试通过研究FES诱发的脑电信号,探究在治疗过程中大脑的脑电特征变化.结合FES设计了主动、被动模式(人工被动和刺激下被动)下的下肢运动实验,采集了6名受试者(4名中风患者和2名健康受试者)的数据,并利用时频分析和源定位等方法对数据进行分析.结果发现在多种实验模式下正常受试者与患者的脑电信号中均存在事件相关去同步(event-related desynchronization,ERD)现象,证实了中风患者受损后的大脑区域仍然能够被激活;在电刺激模式下ERD的强度随电刺激的增强而增大,表明适当的高强度电刺激可以为大脑提供更好的激活作用;通过源定位分析发现感觉运动区的激活在动作期较强,而在动作保持期内激活效应较差.研究结果将有助于加深认识FES对大脑的激励作用,同时为医师设计康复治疗方案提供可靠依据.

基于独立分量聚类分析的诱发脑电特征提取技术

发展了一种独立分量聚类分折的诱发脑电特征提取方法,利用诱发成分较强的序问相似性,使用Infomax结合K均值算法对脑电信号中的诱发成分进行分类和提取.该方法可以克服传统独立分量分解方法中诱发分量识别的困难,适用于重复刺激诱发脑电的高维数据自动分析处理.将该方法用于上肢想像动作任务的诱发脑电数据分析,结果显示该方法可以有效剥离背景噪声和提取诱发分量,使得信号的费雪可分性得到显著提升,进而获得更好的识别效果.研究结果表明独立分量自动聚类技术适用于认知行为脑电信号的分析,值得进一步研究.

基于SVM特征优化的Farwell虚拟矩阵字符识别

传统Farwell虚拟字符矩阵BCI中仅采用少数中线导联上的EEG特征进行识别,由于识别信息量较为有限,导致识别效率不高.为此,引入了一种支持向量机特征优化方法,采用扰动支持向量机代价函数的方法评价特征对于分类的贡献,进而优选出适于识别的特征组合.对6位受试者每人各采集80个字符的Farwell虚拟矩阵刺激任务脑电数据,经支持向量特征优化方法进行识别,获得良好的识别效果(识别错误率0.9%).研究表明,支持向量机特征优化方法具有较好的特征选择效果,适用于高特征维度的脑机交互诱发脑电信号降维处理.

想象动作诱发生理信息检测及其应用研究:回顾与展望

想象动作(MI),或称运动想象,指大脑仅有动作意图但不实际执行,反映人对动作的期望及对将要发生真实动作的预演。MI与真实执行动作有相似的认知过程,由此可揭示运动行为心理过程与真实动作控制之间的关系。故MI成为探究动作执行时神经心理过程、检测大脑激活状态和研究大脑神经网络功能的重要工具。MI研究已历经数十年发展,检测手段和动作模式日益更新;MI诱发脑电同时含有认知心理和神经生理信息,已广泛用于人机交互,成为脑机接口控制的重要方法;MI还用于损伤脑区神经回路重建和帮助中风患者康复训练。MI生理信息检测及其应用具有重要科学意义和研究价值,本文主要回顾了相关研究方法(含MI过程检测手段、常用MI模式、MI在人机交互和康复中应用),简要讨论了所存在的问题并展望其未来发展,以期促进MI的深入研究与开发应用。

基于人机信息交互的助行外骨骼机器人技术进展

外骨骼机器人是集人体信息检测、机器人自动控制、神经工程等多学科知识于一身的高科技成果.本文简要介绍了外骨骼机器人研发技术现状和应用市场前景,分别从外骨骼动力驱动和运动测量技术角度剖析了支撑典型外骨骼机器人实现其运动辅助功能的主要技术基础,重点从神经信息交互角度出发,讨论了构建人机信息交互环路中的技术瓶颈,以及如何更为高效准确地获取人体运动意图.最后展望了其未来技术研发方向.

基于生理信号的脑力负荷检测及自适应自动化系统研究：40年回顾与最新进展

人-机系统的脑力负荷评估和作业过程中的脑力负荷检测是工效学的重要研究内容,基于生理信号实时脑力负荷监测能够实现根据脑力负荷在人-机系统中在作业人员与自动化系统之间动态分配任务,即自适应自动化,进而能够优化人-机系统设计、避免过高的脑力负荷、降低人误风险。基于生理信号实现脑力负荷的检测研究从最早NASA的探索性研究至今已有40多年,近十多年逐渐成为工效学中新的研究热点,并且基于脑电、心电、功能性近红外光谱的自适应自动化在诸如模拟飞行、模拟无人机控制等任务中已被证明能够改善作业绩效和作业人员的主观感受。但近年来部分研究报告也表明基于生理信号的脑力负荷检测存在跨人、跨时间、跨任务的挑战,未来还有较大发展空间。本综述将回顾基于生理信号的脑力负荷检测和基于脑力负荷的自适应自动化40年来的研究历程和最新研究进展。

基于脑电Alpha波的脑-机接口控制实验

对脑电alpha波阻断现象的识别提取与家用电器遥控装置的结合进行了研究,以探索实时脑机接口(brain-computer interface,BCI)系统的可行性．对5～12名受试者进行睁闭眼实验并记录其动态脑电数据,提取al- pha波阻断现象发生过程的关键参数．在实时操作平台上对受试者进行4组遥控器按键操作的组合实验,以考察系统的响应速度与指令传递的准确率．总结出了Alpha波阻断现象对应的阈值电压经验计算公式,并建立了以最大噪声背景电平作为甄别开关动作真伪的判据原则．结果显示该系统具有较高的控制成功率和稳定性,表明实时脑机接口系统具有潜在的临床应用价值与研究前景．

SVM算法及其在乳腺X片微钙化点自动检测中的应用

支持矢量机(SVM)是一种新的统计学习方法,其学习原则是使结构风险最小,而非经典学习方法所遵循经验风险最小原则.这使得SVM具有更强的泛化能力.并且,由于SVM求解的是凸二次优化问题,使之能保证所找到的极值解就是全局最优解.本文首次将SVM算法用于乳腺X影像微钙化点自动检测中,对临床实际病例的试用结果表明,同目前常用的基于经验风险最小的人工神经网络(ANN)分类方法相比,SVM具有更高的识别率,值得应用推广.

基于脑电特征的多模式想象动作识别

对不同部位肢体想象动作诱发的脑电特征进行辨识,并提取出对应的思维信息,这是实现脑-机交互的经典方法之一,传统的左、右手双想象动作诱发模式下信息转化效率较低,引入多个肢体部位想象动作的多模式转化方法可望改善这一缺点.采用二维时频分析结合Fisher分析的方法,从典型受试者的多模式想象动作脑电信号中提取出有利于分类识别的事件相关去同步化和同步化特征信息,再使用支持向量机建立双层分类器对多模式想象动作进行分类识别.本方法对于4种不同肢体部位的识别可以达到较高的正确率(85.71%).结果表明,多模式想象动作的诱发脑电特征信息具有明显的空间特异性,可以用于脑-机交互思维任务的识别和提取,值得进一步研究.

基于扩展Informax ICA的站起想象动作脑电特征提取

下肢想象动作的脑电特征提取是基于脑-机接口技术实现下肢运动神经重建的关键点和难点。通过以下肢运动神经重建的首个关键动作-站起为切入点,设计了相应的以复合动作诱发电位为基础的站起想象动作脑电采集新方案,而后采用扩展最大熵独立分量分析(extended informax ICA)结合连续小波功率谱分析的新方法提取大脑在站起想象动作时产生的事件相关同步/去同步(ERD/ERS)信息。经实验数据分析证明上述方法行之有效,可以为脑-机接口技术在下肢运动重建中的应用提供有效的手段。

基于热释电红外信息的人体运动特征提取与识别

运动人体辐射的红外信号中包含步行姿态及体貌特征等信息,热释电红外(PIR)传感器能够探测人体发出的红外线,在有效范围内实现运动人体的检测.对利用表面安装有菲涅耳透镜的PIR传感器探测人体行走时的红外辐射进行了研究,采用主成分分析(PCA)方法对不同对象、不同速度的频谱数据进行特征提取,并使用支持向量机(SVM)方法进行分类识别,最高识别正确率达到85.38%.研究结果表明,利用PIR传感器获取人体运动信息,并将来自不同对象、不同速度的频谱数据用于分类的方法是可行的.该研究可为安全级别较低场所的生物特征识别提供一种新的低成本的解决方案.

融合步态和人脸特征的远距离身份识别研究

在单一摄像头获得的步态图像序列中将步态信息和人脸信息相融合进行实时的远距离身份识别。在步态图像序列中自动提取侧面人脸图像。采用基于傅里叶描绘子和关键点特征的方法提取步态特征,采用傅里叶变换和奇异值分解的人脸识别方法对步态图像序列中的侧面人脸进行特征提取。利用欧氏距离作为度量建立匹配函数。在中科院自动化研究所CASIA步态数据库中进行实验,通过对单独利用步态特征和人脸特征进行识别的识别率和通过最大法则、加法法则和乘法法则融合后进行识别的识别率进行比较,实验表明将步态和人脸特征相融合可有效地提高了识别率,识别率可达95.00%。

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。

基于ICA与PSD的ERD/ERS信号检测

介绍一种基于独立分量分析(ICA)空间滤波结合功率谱密度(PSD)曲线分析法用于提取大脑在想象动作时产生事件相关去同步/同步(ERD/ERS)信号的方法.其检测流程为:先对想象动作诱发的脑电(EEG)信号进行ICA分解得到独立分量与相应的解混矩阵,再按特征频段取其主要分量得到滤波后数据,然后采用短时傅里叶变换计算相关导联EEG信号在特征时段与频段的PSD曲线,引入ERD/ERS系数作为量化指标以进行想象动作的识别.计算结果表明,上述方法能够显著增强运动想象脑电信号的ERD/ERS特征信息,且通过实际分类验证,采用该方法可以获得更高的识别正确率,较传统信息检测方法平均提高8%以上.