基于HHT和CSSD的多域融合自适应脑电特征提取方法

为改善运动想象脑电信号特征提取的自适应性和实时性,提出一种基于希尔伯特-黄变换(HHT)与共空域子空间分解算法(CSSD)的特征提取方法(HCSSD).在对脑电信号进行预处理的基础上,定义一种相对距离准则优选脑电极组合;计算脑电的Hilbert瞬时能量谱和边际能量谱,以获取脑电的时-频特征,并基于CSSD提取其空域特征,采用串行特征融合策略得到脑电的时-频-空特征;设计学习矢量量化神经网络分类器,实现脑电数据分类.在训练集与测试集间隔一周且减少导联数量的情况下,基于HCSSD对左手小指和舌头的运动想象ECoG脑电数据的平均识别率为92%.实验结果表明:HCSSD在增强特征提取方法的自适应性、改善实时性的同时,提高了脑电信号识别率,为便携式BCI系统在康复领域的应用创造了条件.

基于CSSD-DE通道选择算法的ECoG分类研究

在脑机接口(BCI)的研究中,通道在提取脑电信息的过程中起着十分关键的作用。本研究提出基于共空域子空间分解-微分进化算法(CSSD-DE)的脑机接口通道选择方法,并且使用逻辑线性分类器进行分类。在对皮层脑电信号(ECoG)进行通道选择的过程中取得了使用少数通道就可以达到令人满意的分类效果。当最优通道个数为6,识别正确率达到93%,优于2005年脑机接口竞赛III数据集I的第一名的正确率(91%)。并提出将最大相关最小冗余度(mRMR)和支持向量机回归特征消去(SVM-RFE)算法应用于通道选择进行对比,mRMR算法得出最优通道个数为7,识别正确率为87%,SVM-RFE算法得出的最优通道个数为6,识别正确率为81%。

基于CSSD和SVM脑电分类技术的研究

本文研究的BCI实验是基于BCI2003竞赛数据来对脑电信号分类。本文提出了一种脑电信号趋势的概念,使用支持向量机(SVM)作为分类器的算法。首先将BCI2003竞赛数据通过中值滤波器和由小波函数构成的带通滤波器,然后用时间窗进行时域上地过滤,选取对于大脑思维活动现象表现最明显的一段数据,再通过共空域子空间分解(CSSD)从脑电信号中提取特征,最后基于提取的特征,通过SVM训练后,进行分类识别,分类识别率达到了85%～96%。实验中采用的特征提取方法和分类方法对于脑电信号的分类识别准确率提高了不少。

基于支持向量机的脑电信号中左右手判别

在脑-机接口的研究中分类识别技术占有重要地位。介绍了一种方法,用于对单次信号的分类。这种方法主要思想是将共空域子空间分解和支持向量机相结合,以便提取信号特征。该方法被用于"BCICompetition2003"第IV数据包上,分类正确率达89%。

基于卡尔曼滤波的ECoG信号去噪方法研究

脑电信号反映了生物体的大脑活动,在采集和处理过程中极易受到各种噪声的干扰,如眨眼、快速眼动、心电、肌电等,这些噪声给脑电信号的分析处理带来了很大的困难。本文提出了卡尔曼滤波模型和模型参数估计的方法,将其应用于脑电ECoG信号去噪预处理。实验所用的数据是公开的脑机接口竞赛实验数据(BCI Competition Ⅲ dataset Ⅰ),分类正确率为92%。实验结果表明通过本方法去噪预处理后,分类正确率比竞赛第一名高,并且优于小波去噪与谱减法等预处理方法。

核共空域子空间分解特征提取算法研究

脑-机接口中特征提取算法是脑电信号处理的关键步骤。提出一种基于核方法的核共空域子空间分解特征提取算法,将用于多通道两类别分类的共空域子空间分解算法推广到核空间。应用新算法对BCI竞赛Ⅱ的数据集Ⅳ进行实验仿真。实验中核函数使用的是线性核函数,求解空域滤波器时,为了减小计算的压力,在原空间对每一个试验的训练数据进行层次聚类,训练的分类器为最近邻分类器,实验的测试集结果为84%,与数据集Ⅳ的竞赛胜利者的分类结果相同。

基于脑电信号的手指动作识别

分类识别技术在脑-机接口的研究中占有重要地位,本文基于在事件相关脑电图中,存在的运动感觉皮层脑电位下降和事件相关非同步现象,运用了一种基于共空域子空间分解的算法,对左右手指动作时的多通道脑电信号进行了特征提取。最后,根据提取的特征进行了手指动作的识别,在对三个人的脑电数据识别中,平均识别率达到了75.6%。

基于RCE的空间滤波方法在运动想象电位识别中的应用

在对运动想象电位进行模式识别时,需要对原始信号进行滤波以提取信号中区分度较高的成分用于分类,而在噪声较为严重时,滤波方法会导致有用信息的丢失,从而降低分类正确率。针对该问题,本文提出节律成分提取(Rhythmic Component Extraction,RCE)与共空子空间分解(The Common Spatial Subspace Decomposition,CSSD)相结合的特征提取方法,对提取的特征信息使用线性分类器进行分类。采用该方法对2003年国际BCI竞赛数据进行识别,测试数据的分类正确率达到87.23%,比使用传统空间滤波方法进行特征提取时的分类正确率提高了6.8%,表明该方法可有效地应用于左右手运动想象电位的识别。

CSSD+AAR模型在脑电信号处理中的应用

针对BCI技术中的脑电信号处理方法和事件相关去同步化的特点,提出了一种结合时、频、空域的特征提取方法。结合CSSD和AAR模型来提取脑电特征,并对基于AAR模型系数的特征提取方法进行了探讨,最终选择卡尔曼平滑算法提取模型系数,然后将提取的特征用简单的线性分类器进行分类。实验结果表明测试集的分类正确率达到了94.08%,而且这种特征提取方法有很好的时间分辨率,适合于在线分类。这是一种正确率高,时间分辨率高,适合在线分类的好方法。