基于脑电信号的思维任务分类

脑电信号(EEG)是研究脑活动的一种重要的信息来源,基于脑电信号的人与计算机的通信已成为一种新的人机接口方式。文中主要对不同心理作业的思维脑电信号运用独立分量分析进行预处理,然后采用AR模型提取特征,最后应用BP神经网络对AR系数特征进行训练和分类。实验表明,此方法可以达到很好的分类效果。

脑机接口应用中的思维任务分类

脑电信号(EEG)是研究脑活动的一种重要的信息来源,基于脑电信号的人与计算机的通信成为一种新的人机接口方式。对于五种不同心理作业的思维脑电信号运用独立分量分析(ICA)进行预处理,然后采用6阶的AR模型提取特征,最后应用BP神经网络对AR系数特征进行训练和分类。实验表明,此方法可以达到很好的分类效果,提高了脑电思维作业的准确度。

基于滑动窗口的独立分量分析算法

针对时变混合模型的独立分量分析(ICA)问题,提出了基于滑动窗口的ICA算法.给出了基于滑动窗的分离矩阵递归学习算法,提高了算法的运算效率,因此可应用于独立分量的在线提取和动态独立分量分析等应用场合.另外,针对独立分量排序不确定性所带来的问题,提出了利用峭度值大小对输出信号进行动态排序的思路.仿真实验证明了这一思路是可行的.对窗函数长度的选择问题还进行了探讨,得出了一些有参考价值的结论.实验结果表明,基于滑动窗ICA算法能较好地应用于时变混合模型的独立分量提取,具有良好的盲分离性能.

基于Mahalanobis距离的运动意识分类研究

提出基于Mahalanobis距离判别式算法的意识任务分类方法。对被测试者想象左右手运动时脑电信号的mu节律能量变化进行在线动态分析,提取EEG(C3,C4)两个通道的mu节律能量作为特征向量,用Mahalanobis距离判别式算法对左右手运动想象脑电模式进行分类,实验结果表明,正确识别率可达87.86%。