基于共空间模式的脑电信号疲劳检测

因脑电信号更能直接反映大脑皮层疲劳状况,论文提出了一种基于共空间模式的脑电信号疲劳检测方法。该方法首先对数据集进行滤波等预处理操作,然后应用共空间模式提取特征,最后用支持向量机对提取到的有效空间特征二分类。此外,实验还采用了5折和10折交叉验证法进行评估;探索了脑电疲劳特征阶数相关系数m的取值;划分了脑区并对各区域疲劳识别准确率进行了比较。研究结果表明:论文方法的识别率高于基于样本熵、模糊熵等方法的识别率,疲劳检测准确率均值可达98.54%,全头皮疲劳识别率最高,额区疲劳识别率优于其他区域,可达92.54%。论文研究可为疲劳检测设备的研发提供更简单准确的检测方法,有助于促进可穿戴脑机接口在疲劳驾驶预警中的应用。

基于共同时频空间模式的MI-EEG分类研究

公共空间模式(Common Spatial Patterns,CSP)算法是目前应用于基于运动想象脑机接口(Motor Imagery-Brain Computer Interface,MI-BCI)系统中提取脑电图特征的最常用的空间滤波方法。CSP算法的有效性取决于从脑电信号中选择最优的频带和时间窗。目前已有许多算法设计用于优化CSP的频带选择,但很少有算法寻求优化时间窗。提出了一种新框架,称为共同时频空间模式(Common Time-Frequency-Spatia Patterns,CTFSP),用于在多个时间窗口中从多波段滤波的脑电数据中提取稀疏的CSP特征。具体而言,首先使用滑动时间窗方法将整个MI周期分割成多个子序列。其次,在每个时间窗内从多个频带提取稀疏CSP特征;最后,训练具有径向基函数(Radial Basis Function,RBF)内核的多个支持向量机(Support Vector Machine,SVM)分类器来识别MI任务,这些分类器的投票结果决定了BCI的最终输出。采集了12名被试的左右手和脚的运动想象实验数据,将提出的CTFSP算法应用于数据集来验证其有效性,并与其他几种最先进的方法进行了比较。实验结果表明,所提算法是提高MI-BCI系统性能的有效方法。

共空间模式结合小波包分解的脑电情感分类

为了有效缓解不同受试者跨天试验间脑电信号差异对分类性能的影响,结合共空间模式和小波包分解算法,对12个受试者连续5天的脑电波数据进行空间滤波处理和时频域上小波包能量特征提取。采用Bagging tree、SVM、LDA和BLDA模型进行情感分类实验。实验结果表明,使用SVM和BLDA分类器对该算法提取的脑电特征进行两类情感分类的精度比目前最优的结果分别提高了4.4%和3.5%,有效地提高了跨天脑电情感分类的准确率和稳定性,对于开发鲁棒的情感脑-机接口应用具有一定价值。

共空间模式和超限学习机的模拟电路故障诊断

主成分分析属于代数特征分析方法,是一种线性映射方法,降维后的表示是由线性映射生成的,更主要的信息保留在投影空间里,而剩余的信息则被过滤掉,但保留的信息是一体的,而不是每个特征向量分别表示一个主成分,在一定程度上影响了PCA方法的效果。提出了一种基于共空间模式对主成分方法改进的模拟电路故障诊断方法。此方法利用CSP算法对PCA得到的特征向量进行处理,然后将得到的主成分输入到超限学习机以进行网络训练或故障判断。通过Sallen-Key带通滤波器电路的实例,结果表明该研究方法的有效性。

运动想象脑电的块选择共空间模式特征提取

共空间模式(CSP)作为一种空间滤波方法已在脑电信号(EEG)的特征提取上得到了广泛应用,而对脑电信号的通道和频带进行合理选择可以有效改善共空间模式特征在运动想象脑机接口(BCI)中的分类性能.针对已有选择方法中未充分考虑通道间差异性的问题,本文提出一种对通道和频带同时进行选择的块选择共空间模式(BS–CSP)特征提取方法.首先针对每个通道进行频带划分从而构建数据块,然后根据时频特征计算对应的Fisher比表征每个块的分类能力,并设置阈值选出一定数量的最优块,最后用CSP和支持向量机(SVM)分别进行特征提取与分类.在对BCI Competition Ⅲ Datesate Ⅳa和BCI Competition Ⅳ Datesate Ⅰ两个二分类运动想象任务的分类实验中,平均分类精度达到了90.25%和83.78%,表明了所提出的特征提取方法的有效性和鲁棒性.

基于数据空间自适应与共空间模式的脑电情感分类

为缓解日间脑电信号波动和差异导致情感分类性能下降的问题,在数据空间自适应(DSA)与共空间模式(CSP)迭代的基础上,提出一种用于脑电情感分类的特征提取算法。针对12个受试者连续5 d的情感脑电信号,采用DSA算法对脑电信号进行空间线性变换,再使用CSP将脑电信号变换到最优子空间,提取日间差异最小且类间差异最大的脑电功率谱密度特征及微分偏侧与差异因果特征。实验结果表明,该算法能提高脑电信号情感分类的准确率和稳定性。

基于极能差与共空间模式算法的脑电信号特征增强研究

为有效滤除颅骨、脑脊液、头皮等多层组织对脑电图(EEG)信号传导、衰减和混叠的影响,进一步增强信号特征以有利于认知脑电的特征提取、模式识别,以左右手想象动作电位实验为例分析比较了基于极能差(EED)和共空间模式(CSP)算法的空间滤波与特征增强效果。研究结果表明,两种算法皆在高维空间中通过方差判断能量总体分布进行空间滤波训练,可有效提高信噪比、明显增强信号特征和提升识别准确率,其中CSP算法运用矩阵同时对角化原理寻找投影方向,使方差的类间差别最大化,特征增强效果更优。以上结果可供有关脑认知科学研究与脑-机接口(BCI)系统设计及应用参考。

基于共空间模式和神经元网络的脑-机接口信号的识别

提出了一种基于共空间模式和LVQ神经元网络对不同意识的脑电信号进行分类的方法.脑电信号是通过电极在头皮表面采集的脑-机接口的控制信号,提取脑电信号特征并对其进行分类,组成不依赖于正常的由外围神经和肌肉组成的输出通路的通讯系统.首先利用小波包分解对原始脑电信号进行预处理,对分解后特定小波包子带的脑电信号进行共空间模式分解,提取最优的特征;然后利用LVQ网络对不同意识任务特征进行分类,实验结果表明,该方法取得了92.7%的平均分类识别率,已经达到脑-机接口实际应用的标准.

基于共空间模式和K近邻分类器的脑-机接口信号分类方法

脑-机接口是指在人脑和计算机之间建立的直接的交流和控制通道,它以脑电信号的形式反映人的意识,并转换成控制信号.针对两类运动想象脑电信号的分类问题,提出共空间模式和小波包分解相结合的脑电信号特征提取方法.利用不同小波包对训练集的多路脑电信号进行分解,再用共空间模式算法对不同分解层子带的脑电信号进行特征提取,并采用K近邻分类器对提取到的不同特征进行分类,得到最优小波包函数和小波包子带参数.将结果应用于测试集数据的分类.仿真实验结果表明,选择db4小波包函数和4层小波包分解层,对8个特征点进行分类,可以得到高达96%的正确率.

基于小波-共空间模式的多类想象运动诱发脑电特征提取

为了有效获取脑电信息,提取多模式类(左手,右手,舌,脚)想象运动诱发脑电特征,提出了一种小波-共空间模式分析的四类运动想象诱发脑电特征提取方法.首先,使用db4小波对预处理后纯净的脑电信号进行5层小波分解,获得小波变换的各层逼近系数和细节系数,去除冗余频段,并进行重构.然后,采用"一对多"共空间模式方法,构建多个空间滤波器,对滤波信号进行共空间模式映射,得到每种想象运动模式下的投影信号.最后,对该投影信号能量求方差取对数,组成特征值向量,再进行差值处理获得多模式类运动想象脑电特征.仿真实验结果表明,该方法可以较好的提取多类运动想象脑电信号特征.

基于共空间模式和均匀流形投影的运动想象脑电信号识别方法

运动想象脑电信号的识别与分类问题一直是脑机领域研究的热点问题。针对此问题,使用区别传统线性降维方法的流形学习方法,将共空间模式算法与均匀流形投影算法相结合,充分利用了脑电信号中的非线性特征,对运动想象脑电信号进行了特征提取和数据降维,并使用KNN分类器进行了分类,对分类效果做出了评价;将降维前后的数据分类结果进行对比,说明了数据降维的优点和必要性;进一步讨论了降维结果在数据可视化方面的表现。发现经过数据降维的特征数据的可视化效果明显优于未经过降维的数据,进一步提出了一种基于共空间模式和均匀流形投影的新型脑电信号识别方法,对进行脑电信号深度剖析。挖掘脑电信号非线性特征提供了参考价值,同时也在数据流形分布以及数据可视化的角度为运动想象脑电信号识别提供了新思路。

改进共空间模式与多源特征融合的轴承智能诊断方法

针对传统方法难以有效提取滚动轴承的故障特征,以及单向振动信号易存在故障信息丢失等问题,将共空间模式(CSP)算法引入滚动轴承故障诊断领域,提出了一种改进共空间模式(MCSP)算法与多源特征融合的轴承智能诊断方法。首先,利用CSP算法将轴承3个方向的振动信号进行数据层与特征层的深度融合,充分提取故障信息的同时缩短了数据处理时间;然后,采用子类空间滤波器集合策略改进决策层,构建最优空间滤波器,有效提取轴承不同健康状态的空域特征;最后,通过支持向量机(SVM)实现不同故障类型及程度的识别。使用SLIET轴承公开数据集和实验室轴承数据集进行验证,结果表明:与未改进共空间模式方法相比,改进后的方法在2个数据集上的轴承平均识别准确率均达到99%以上,且分别提升了3.04%和6.26%,平均耗时均在0.1 s以下,验证了所提方法具有更好的故障识别准确率和运行效率。

基于共空间模式和功率谱密度的脑电信号分类

由于单一域缺少其他相关信息而导致运动想象分类准确率不高和泛用性差,本文研究设计了基于空间域和频域的运动想象分类方法。根据运动想象执行时的对侧映射机制以及事件相关同步和事件相关去同步的现象,对C3和C4通道数据进行共空间模式和功率谱密度特征提取和融合,然后使用网格搜索参数优化的支持向量机对运动想象的脑电信号进行分类。结果表明共空间模式和功率谱密度的融合特征,解决了共空间模式对噪声敏感以及缺少频率特征信息的缺点,实现了更高的分类结果和泛化性,分类准确率达91.3%,验证了该方法的有效性。

最优区域共空间模式的运动想象脑电信号分类方法

共空间模式(Common Spatial Pattern,CSP)是脑机接口(Brain-Computer Interface,BCI)中一种有效的特征提取方法,然而传统CSP算法并未考虑在提取前剔除可能会影响其性能的不相关的嘈杂通道信号。所以针对不同对象的通道选择问题,提出了一种最优区域共空间模式(ORCSP)特征提取方法。首先通过欧式距离得到每个通道的附近区域,再根据方差比选择可分性最高的区域,然后采用5折交叉验证对区域内通道数目进行寻优,进而得到区分度最高的区域特征,最后使用支持向量机(SVM)进行分类。所提方法在BCI竞赛数据上进行了实验测试,并与同类型的正则化CSP和局部区域CSP算法进行了对比,在BCI Competition Ⅲ Dataset Ⅳ a数据集上达到了89.78%的平均准确率。实验结果验证了所提出方法的有效性。

基于脑功能网络和共空间模式分析的脑电情绪识别

传统脑网络的情绪分类将聚类系数、平均最短路径等拓扑属性作为分类特征。针对这些属性易受网络连接阈值和特征选择的影响,难以完全表征不同情绪状态下的网络空间拓扑结构差异的问题,提出了一种基于脑网络和共空间模式的脑电情绪识别方法(EEG emotion classification based on common spatial patterns of brain networks topology,EEC-CSP-BNT)。该算法基于互信息在各个子频段内计算电极间的功能连接矩阵,同时利用共空间模式(common spatial pattern,CSP)分析学习空间滤波器,构建分类特征,最后通过分类器(如Fisher线性判别、支持向量机、K最近邻)实现基于脑电的情绪分类。基于DEAP和SEED数据集的实验结果表明,相比于脑网络拓扑属性,EEC-CSP-BNT能有效提取脑网络拓扑结构的分类信息,提高脑电情绪识别性能。

采用改进共空间模式算法的四类表情辅助脑电信号识别方法

针对采用传统共空间模式(CSP)算法处理脑电信号时存在的特征提取困难、计算复杂度高及信号识别率低等问题,提出了一种基于重复二分滤波器组共空间模式(RB-FBCSP)算法和支持向量机(SVM)算法的4类(左撇嘴、右撇嘴、皱眉、扬眉)表情辅助脑电信号识别方法。利用滤波器组筛选出表情辅助脑电信号中包含α波和θ波的信号;将4类表情看作上面部表情(皱眉、扬眉)和下面部表情(左撇嘴、右撇嘴)两大类进行CSP特征提取,并结合SVM分类器进行分类;将识别出的上面部和下面部表情脑电信号均重复进行一次CSP特征提取和SVM二分类,实现表情辅助脑电信号的四分类。实验结果表明:所提识别方法的计算复杂度与采用传统CSP扩展算法的脑电信号识别方法相比有明显降低,且运算耗时少、平均分类准确率高,可达89.61%;相比于传统OVO-CSP、OVR-CSP和小波包变换算法结合SVM分类,所提识别方法的平均识别率分别提高了9.23%、9.82%和8.04%。

基于ERS/ERD的二级共空间模式的运动想象脑电信号特征提取

针对多类运动想象EEG信号在脑-机接口方面存在分类识别率低和被试者差异性的问题,提出了一种基于ERS/ERD现象的二级共空间模式特征提取的方法。首先对全部导联进行特定频段的小波包降噪和分解;其次对分解系数重构后的信号以手(左、右)和脚(脚、舌)这二类进行一级共空间模式获取空间滤波器并对其采用2-范数筛选准则,提取权重系数较大的N个导联;然后以优化导联的投影矩阵对手与脚进行空间滤波后的信号分别作为原始信号进行二级空间模式特征提取;最后采用支持向量机进行分类。采用BCI2005Ⅲa中三位被试者的数据进行仿真验证,得到分类正确率最高达到92.55%。结果表明,该方法对EEG信号的特征提取具有较好的效果。

面向运动意图解码的共空间模式及其扩展算法研究综述

运动想象脑-机接口(MI-BCI)在人体运动功能康复、替代、增强等方面具有重要研究意义与应用价值。共空间模式(CSP)算法旨在增强MI诱导头皮脑电(EEG)特征的差异性,是当前使用最广泛的MI范式特征提取算法之一。但因其未考虑EEG的时、频域等信息,且对噪声和偏离值敏感,导致分类器识别性能有限、鲁棒性低。回顾CSP及其扩展算法的发展历程,从多模态信息优化、正则优化以及其他空间映射优化方法等三方面详细介绍相关扩展算法的基本原理和关键步骤,并探讨其实际面临的挑战和预测其未来发展趋势,以期促进相关BCI技术的深入研究与开发应用。

基于小波变换共空间模式的脑电信号解码

针对运动想象脑电信号实现任务少、识别准确率低等问题,提出了一种基于小波包分解的共空间模式脑电信号特征提取方法。该方法通过长短期记忆网络进行脑电信号解码,采用独立成分分析的方法将运动想象信号进行盲源分离,采用小波包分解方法将每个通道脑电信号按频率分为8组。计算每组信号的功率值,采用递归特性消除方法去除对分类不重要的10个节点特征,将被选择的节点信号采用1对1共空间模式提取空域特征,将特征矩阵输入长短期记忆网络进行脑电信号解码,得到4类运动想象信号分类结果。采用本文方法对公开的脑机接口竞赛数据集(包括左手想象信号、右手想象信号、舌头想象信号、双脚想象信号)前3位受试者数据进行验证,结果表明:本文方法的识别准确率分别为90.28%、94.25%、96.55%,平均识别准确率达到93.69%。与其他方法对比,本文方法识别准确率较高。用识别的脑电信号作为解码控制信号,控制虚拟太空环境中的空间机械臂顺时针或逆时针运动,达到抓取空间中目标物体的目的。

基于共空间模式和支持向量机算法的食物偏好脑电分类研究

研究不同食物偏好图片刺激所引起的脑电信号差异,提出一套用于分类识别的方法。18名受试者对5类食物进行评分后,参与oddball事件相关电位(ERP)实验。根据受试者评分决定其喜爱程度高和喜爱程度低的食物,并用相应图片刺激,采集受试者面对两类刺激时所诱发的ERP信号,分析两类信号在ERP成分上是否存在显著差异。利用共空间模式算法(CSP)进行特征提取,随后使用支持向量机(SVM)进行单试次脑电分类识别,并使用留一法进行交叉验证。结果表明,喜爱程度高和低食物图片刺激诱发的P3幅值在统计学上存在显著差异(P<0.05),振幅分别为(16.74±5.85)μV和(14.67±4.37)μV,相关分析结果表明食物评分与脑电P3幅值存在正相关。分类识别上,在使用4次单试次ERP信号下,CSP+SVM分类正确率可达93.16%±8.93%,取得了较好的分类识别结果。实验结果表明,脑电信号可作为一种新的食物偏好分析工具,CSP+SVM可对食物偏好脑电进行较好地识别,可为食物评价和厌食症辅助治疗等提供新的解决思路。