基于卷积神经网络提高脑卒中患者二分类运动想象任务识别准确率的可行性研究

目的 本研究旨在探讨基于卷积神经网络(convolutional neural network, CNN)提高二分类运动想象任务识别准确率的可行性。方法 收集2020年9—12月在上海市第二康复医院康复科住院的10例脑卒中患者资料,患者均为右侧上肢瘫痪,年龄为(55.3±11.0)岁,其中女性5例。应用CGX Quick-30的30导联干电极脑电帽采集受试者的脑电信号(EEG),采集的EEG各个电极位置符合10-20国际标准导联系统。运动想象任务为单侧上肢精细运动想象,具体为右手抓握和右肘摆动。针对运动想象任务二分类,提出自适应CNN迁移学习模型,并从多个层面验证该模型在脑卒中患者EEG分类中的准确性及其算法性能。首先,验证基准CNN算法性能(即单一个体模型),即不进行任何迁移,使用同一个体的训练集生成模型,应用测试集得到分类准确率,与使用同样的数据集划分的其他深度学习算法比较。其次,验证自适应CNN迁移模型性能,分类准确率应高于特定受试者的单一个体模型和由其他个体数据形成的预训练模型。模型比较全程应用交叉验证的方法,其中在基准CNN的分类结果分析中,所有的单一个体模型使用10折交叉验证,预训练模型和自适应模型均使用5折交叉验证。结果 在10例脑卒中患者试验数据上进行验证,自适应CNN迁移模型的分类准确率为0.770 4±0.049 3,高于单一个体模型的0.616 8±0.071 5和预训练模型的0.533 6±0.034 2。并且,10例脑卒中患者中,有8例患者分类准确率超过了0.700 0;该8例患者中有4例超过了0.800 0。结论 通过优化网络结构和训练策略,CNN能够显著提高二分类运动想象任务的分类识别准确率,从而为运动想象EEG的处理和分析提供了新思路,也为基于脑机接口的运动康复训练等领域的发展提供了有力支持。

基于Transformer的三维人体姿态估计及其动作达成度评估

针对人机交互、医疗康复等领域存在的人体姿态分析与评估问题,本文提出了一种基于Transformer的三维人体姿态估计及其动作达成度评估方法。首先,本文定义了人体姿态的关键点及关节角,并在深度位姿估计网络(DPEN)的基础上,提出并构建了一个基于Transformer的三维人体姿态估计模型(TPEM),Transformer的引入能够更好的提取人体姿态的长时序特征;其次,利用TPEM模型对三维人体姿态估计结果,设计了基于加权3D关节角的动态时间规整算法,在时序上对不同人物同一动作的姿态进行姿态关键帧的规整匹配,并据此提出了动作达成度评估方法,用于给出动作的达成度分数;最后,通过在不同数据集上进行实验验证,TPEM在Human3.6 M数据集上实现了平均关节点误差为37.3 mm,而基于加权3D关节角的动态时间规整算法在Fit3D数据集上的平均误差帧数为5.08,展现了本文所提方法在三维人体姿态估计与动作达成度评估方面的可行性和有效性。

基于头皮脑电信号的无创脑机接口在神经系统疾病中的临床应用上海专家共识

脑机接口是一种建立在大脑与外部环境之间的特殊通讯系统,该系统通过检测中枢神经系统活动并将其转化为人工输出,以替代、修复、增强、补充或改善人体大脑中枢神经的正常输出,从而实现中枢神经与外界的交互作用。脑机接口系统按照采集方式不同主要分为侵入式、半侵入式和非侵入式3类。非侵入式的脑机接口技术在临床探索与应用研究中开展广泛。基于头皮脑电信号采集是最常见的非侵入式大脑信号采集方法。目前,多项研究通过实施基于头皮脑电信号的无创脑机接口技术成功实现了人机融合,即通过外部设备将中枢神经的某些脑电活动转化为操作指令,从而改变神经系统与内、外环境之间的交互逻辑。因基于头皮脑电信号的无创脑机接口技术存在实验范式、电极位置、信号成分、解码算法和驱动外设等多种因素,须梳理现有研究结果,建立临床应用。上海市医学会脑电图与临床神经生理专科分会组织临床、工科及理科相关专家就基于头皮脑电信号无创脑机接口在神经系统疾病中的临床应用价值提出共识,以促进相关技术的临床应用。

运动想象脑机接口在神经系统疾病康复中的应用

脑机接口(BCI)技术是一种不依赖人体外周神经传输通路和肌肉组织,在人脑与外界机器之间建立联系的新型人机交互技术。BCI系统包括主动式、反应式和被动式3大类,其中运动想象脑机接口(MIBCI)是最常见的主动式BCI系统。MI-BCI通过大脑想象运动的方式来控制外部设备,无需实际进行运动。为了带给患者更多沉浸感,引入增强现实(AR)技术可增加患者的兴趣,提高康复训练专注度。本研究从BCI技术概述、MI-BCI技术在神经系统疾病康复中的应用及其存在的不足和展望等方面进行阐述,以期为MI-BCI技术在神经系统疾病的诊断和康复中的应用提供参考。其中,BCI技术概述主要介绍了BCI技术、MI-BCI技术和AR-MI-BCI康复训练系统(AR-MI-BCI康复训练系统流程和系统整体架构)。MI-BCI系统在脑卒中、毒品成瘾戒毒和抑郁症等神经系统疾病方面有诸多应用,既能有效辅助神经系统疾病诊断,又可以激活特定脑区,促进脑功能康复。MI-BCI系统通过识别脑卒中患者的运动想象意图,指导患者主动想象肢体动作,有助于实现患者主动康复。为解决传统机器学习算法对脑卒中患者通用性差的问题,将迁移学习技术作为基础搭建MI-BCI康复训练系统。基于AR-MI-BCI的康复训练系统可以辅助吸毒人员减轻毒品成瘾性,减少因吸食毒品导致的难以戒断的精神依赖和身体依赖问题,使吸毒人员在毒品与抵抗情绪之间产生联系。基于MI-BCI技术多频脑网络的脑电识别方案可以辅助诊断抑郁症,但MI-BCI技术在技术成熟度、设备成本、患者隐私和临床应用等方面还有一些不足之处。

脑机接口中基于WPD和CSP的特征提取

针对脑机接口(brain computer interface,BCI)中2类运动想象任务的特征提取问题,提出了一种小波包分解(wavelet packet decomposition,WPD)与共同空间模式(common spatial pattern,CSP)相结合的脑电信号特征提取方法。该方法首先选择7个重要导联的脑电(electroencephalograph,EEG)信号,用‘haar’小波基进行三阶WPD分解;然后对每个导联分解后的其中5个子带进行重构,获取相关频域信息;最后对重构后信号利用CSP特征提取,获得六维特征向量。CSP与WPD相结合能够充分利用WPD的时频特性,有效避免CSP要求输入导联数过多、缺乏频域信息等缺陷。对2008年国际BCI竞赛数据和本实验室实验数据,采用该方法进行特征提取,通过概率神经网络(probabilistic neural network,PNN)分类。2种数据源分类正确率分别为92%和80%,相对于单纯的CSP特征提取,正确率分别提高5%和20%。实验结果表明:WPD与CSP相结合的特征提取算法能提取明显的特征,进而提高BCI的识别正确率。

脑机接口中基于小波包最优基的特征抽取

在脑机接口研究中,针对脑电特征抽取,提出一种基于小波包最优基分解的方法.依据距离准则,从小波包库中选择一个对分类最优的小波包基;在该小波包基包含的所有分解系数中,抽取部分具有最大可分性的系数作为有效特征;不同通道脑电信号有效特征的结合,构成分类的特征矢量.通过对该特征矢量可分性和识别精度两个性能指标的评估,并与现有分类结果进行比较,表明了所提出方法的有效性.

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。

基于二阶盲辨识结合小波包的脑电信号预处理

针对脑机接口(BCI)中脑电信号(EEG)含有的伪迹,提出一种基于二阶盲辨识结合小波包分解(SOBI-WPD)的去除伪迹方法.首先将多个导联EEG采用SOBI分解成若干独立分量.然后根据眼电和工频干扰直观特征,将对应的独立分量置零.进而将剩余独立分量分别用‘haar’小波基进行6层WPD分解,取每个独立分量分解后与任务相关的子带进行逆变换,形成对应的新的独立分量.最后将这些新分量投影重构,得到去伪迹的EEG.对3组实验数据,使用SOBI-WPD、独立成分分析和SOBI 3种预处理方法,单个样本处理时间分别为61,239和47ms;相同的特征提取和分类方法下,识别正确率分别为86.7%,73.0%和79.8%.SOBI-WPD能快速有效地去除伪迹信号,为BCI中EEG的预处理奠定了基础.

脑机接口中基于ICA-RLS的EOG伪迹自动去除

眼电(EOG)伪迹是基于脑电(EEG)的脑机接口系统中最重要的干扰。为自动去除这种干扰,提出了基于ICA-RLS的EOG伪迹自动去除算法。首先,ICA将多个导联EEG信号分解成数目相等的若干个独立分量(ICs)。然后,计算并依据每个IC的峰态系数,自动地从ICs中识别出EOG分量。最后,识别出的EOG分量用作RLS自适应滤波器的参考信号,并用该滤波器对原始EEG进行滤波,在无需记录EOG情况下实现EOG伪迹的自动去除。用提出算法对2008年脑机接口竞赛数据进行处理,从去除伪迹后信号的观察、信息保留完整性和最终分类结果的计算进行评价。与标准的ICA算法相比,提出算法能够更好去除EOG伪迹,同时获取更高的分类正确率。

基于虚拟仪器的织机经纱张力测试方法

介绍一种基于虚拟仪器的织机经纱张力测试新方法 ,并对多台喷气织机的该项指标进行测试。结果表明 ,与传统的电阻应变仪及其它方法相比 ,该方法具有建立系统快、简单、准确、通用性强、界面友好等特点。

脑机接口关键技术研究

脑机接口(brain computerinterface ,BCI)利用脑电信号实现人脑与计算机或其他电子设备的通讯和控制,是一种新的人机接口方式。它在康复医学和控制工程等领域有应用前景。本文介绍了BCIs系统的工作原理,从系统设计、数据获取及处理方法两方面论述了BCIs系统设计中的关键技术,最后指出了BCIs存在的主要问题和发展趋势。这些探讨为BCIs的设计与研究提供了指导。

红外气体传感器中光源恒功率控制电路的设计

为了提高红外气体传感器中光源输出功率的稳定性,设计了一种恒功率控制电路。该电路运用功率监视器,通过三极管和运算放大器的反馈调节,保持光源输出功率恒定。实验结果表明:该电路弥补了光源损耗和光源器件的分散性,使红外气体传感器产品的可靠性和一致性得到提高。

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-机接口研究进展

介绍BCI系统的组成及工作原理:讨论和比较了目前国内外BCI各种研究方法的特点和局限性:最后简要指出BCI存在的问题及研究趋势。

模糊神经网络在火灾探测中的应用

为进一步提高火灾探测系统的识别精度,设计了温度-火焰复合探测系统。依据特种火灾探测器国家标准,采集了大量试验数据,分析了目前广泛应用的火灾探测算法,建立了串联型模糊神经网络,实现了基于模糊神经网络的火灾识别。仿真结果表明,与单独采用BP神经网络相比,采用模糊神经网络将识别率提高了3%,该方法可有效应用于火灾探测中。

基于虚拟现实技术的脑机交互反馈系统设计

为训练受试者调整自身状态,以便于产生适应识别算法的EEG信号,本文设计了基于虚拟现实反馈方式的脑机交互反馈系统。该系统将脑-机接口技术与虚拟现实技术相结合,首先在3DMAX中建立虚拟人模型,然后在虚拟现实中为角色模型添加设计好的动作,最后系统通过实时调用数据库来控制角色模型的动作。仿真结果表明受试者可实时地对虚拟人的反馈动作与自己的想象运动进行比较,及时调整自己以达到想象运动与反馈动作的一致性。研究结果初步证明了该反馈系统的可行性,本研究为BCI反馈系统的设计提供了良好的思路。

多红外火焰探测中基于决策树的火灾识别

在多红外火焰探测系统中,提出了一种基于决策树的火灾识别算法。按照特种火灾探测器的国家标准实验的要求,获取实验数据。该算法首先对五个红外火焰探测器获得的数据进行多窗口重叠交叉预处理,然后提取六个火灾特征作为决策树的分类属性,对决策树进行训练、剪枝,最后得到火灾识别的最优决策树模型。将该识别模型应用于在线火灾识别,实验结果表明该决策树分类算法的准确率可以达到95.2%,识别速度在2s以内,较其他的分类识别算法有更高的准确率和更快的识别速度,具有很好的实用性。

LabWindows/CVI和Matlab的混合编程及实现

分别介绍了LabWindows/CVI虚拟仪器开发平台和Matlab软件。阐述了CVI中ActiveX服务函数的生成过程及其功能,研究了如何应用ActiveX技术实现LabWindows/CVI和Matlab的混合编程。最后,简单介绍了脑机接口系统,并以系统中脑电信号识别模块的开发为例,具体说明了混合编程的实现方法,为工程实际应用中CVI调用Matlab的实现奠定了很好的基础。

基于支持向量机的沼气中CH_4浓度预测

组建了沼气检测的实验系统,采用国家标准混合气获取大量的浓度标定数据,分析了目前广泛应用的甲烷浓度预测算法及影响预测结果的因素,讨论了支持向量机在CH4浓度预测中的应用,在此基础上研究了将多通道探测器的电压输出及环境温度共同作为支持向量机的输入,实现CH4浓度的预测。将该方法与线性插值法、多项式回归法、神经网络法等多种方法进行比较,预测结果的平均绝对误差减小了0.44%～1.99%。初步试验结果表明该方法在CH4浓度检测中具有一定的应用前景。

分形维数结合RLS-ICA的脑电信号消噪

针对脑机接口中脑电信号噪声的去除,提出将分形维数、递归式最小均方(RLS)-独立分量分析(ICA)相结合的方法.利用ICA对脑电信号进行盲源分离,得到源信号;采用分形维数自动识别源信号中的噪声信号;利用RLS自适应滤波器对已识别出来的噪声信号进行自适应滤波;通过信号重构,得到去除噪声的脑电信号.该方法有2个优点:一是通过对分形维数自动识别源信号中的噪声信号进行滤波,克服了RLS-ICA将所有源信号进行滤波,可能造成部分有用脑电信号被去除的缺点;二是通过分形维数减少RLS滤波的独立源,加快了运行速度.为了证明该方法的有效性,分别对2008年国际BCI竞赛数据和本实验室的数据进行处理.将该方法与RLS-ICA进行比较,结果显示,该方法的去噪效果明显优于RLS-ICA,单个样本的运行时间比RLS-ICA少0.07s.采用提出的方法不仅能够去除一些常见的诸如眼电(EOG)、肌电(EMG)等噪声,而且能够去除一些未知的噪声.