基于多类运动想象任务的EEG信号分类研究

针对多类运动想象脑电信号个体差异性强和分类正确率比较低的问题,提出了一种时-空-频域相结合的脑电信号分析方法:首先利用小波包对EEG原始信号进行分解,根据EEG信号的频域分布提取出运动想象脑电节律,通过"一对多"共空间模式(CSP)算法对不同运动想象任务的脑电节律进行空间滤波提取特征;然后将特征向量输入到"一对多"模式下的支持向量机(SVM)中,并利用判断决策函数值的方法对SVM的输出结果进行融合;最后通过引入时间窗对脑电信号进行时域滤波,消除运动想象开始和结束时脑电的波动,进一步提高信号信噪比和算法的分类效果;实验结果显示:在时间窗为2s时,平均最大Kappa系数达到了0.72,比脑机接口竞赛第一名提高了0.15,验证了该算法能够有效减小脑电信号个体差异性影响,提高多类识别正确率。

基于改进CSP算法的运动想象脑电信号分类方法

针对传统共空间模式(CSP)算法处理运动想象脑电信号存在的分类正确率较低和算法实时性较差的问题,提出一种时-空-频域相结合的CSP脑电信号分析方法:首先利用小波包对EEG原始信号进行分解,根据EEG信号的频域分布提取运动想象脑电节律,通过改进CSP算法对脑电节律进行空间滤波来提取特征;然后通过引入时间窗对脑电信号进行时域滤波,消除运动想象开始和结束时脑电的波动;最后根据运动想象脑电信号在大脑皮层的生理分布特点,提出利用主轴通道的思想对脑电信号进行处理,分析不同情况下算法的计算时间和分类效果。实验结果显示:在主轴通道数为29和时间窗为2 s时,算法运行时间为1.562 s,比传统方法缩短67%,平均分类正确率达到97.5%,验证了该方法能够有效提高运动想象脑电信号的分类正确率和算法的实时性。

基于小波包和共空间模式的运动想象脑电信号分类方法

基于频率特性的传统脑电信号特征提取方法仅对各通道自身的能量特征进行提取,忽视了不同通道间脑电信号的相关性信息。为获得更好的特征提取效果,本文提出了基于小波包和共空间模式的脑电信号特征提取方法。针对左手和右脚运动想象脑电信号,利用小波包多分辨率特点在全频段内进行正交分解,提取运动想象脑电μ节律和β节律,通过共空间模式进行空间滤波提取特征。结合小波包和共空间模式方法的优点,可充分利用不同通道间的相关性信息,并利用支持向量机对两类运动想象脑电信号进行分类。实验获得了较好的脑电分类结果:μ节律最大分类正确率为93.125%,β节律最大分类正确率为91.875%,达到了脑机接口实际应用的标准。

基于样本熵的运动想象脑电信号特征提取与分类方法

脑-机接口是一种允许人脑与外部接口直接交流的系统,它通过识别不同思维下的脑电信号,并将其转换为控制信号,来实现意念控制。传统的基于EEG信号频域特性进行特征提取的方法无法达到高分类正确率的要求[1]。本文提出基于小波变换与样本熵的运动想象脑电信号特征提取方法。分析了左右手运动想象EEG信号样本熵的动态变化规律及其神经电生理意义。最后利用Fisher线性判别式进行了左右手运动想象脑电的分类,得到了较好的分类结果,平均最大分类正确率达到了90.3%,证明了该方案具有很大的可行性和实用价值。