基于共空间模式滤波和优化复杂网络的多通道注意力检测方法

在异步脑机接口系统中,检测注意力水平可以作为识别控制和非控制状态的一个有效指标。但是现有算法的注意力检测精度较低,难以满足异步脑机接口的高可靠性要求,为此,本文提出了一种基于共空间模式滤波和优化复杂网络的多通道注意力检测方法,通过共空间模式滤波算法进行空间降维,构建优化参数的复杂网络结构并提取图论特征,用于分类专注和放松状态下的脑电信号。16名受试者的交叉验证结果表明,相比于注意力检测中常用的优化复杂网络方法和α+β+δ+θ+R方法,本文所提方法在数据长度为0.5 s和1 s时都取得了更高的分类准确率。

EMD和CSP融合最优波长空间滤波脑电特征提取方法

基于经验模式分解和共空间模式,结合最优波长空间滤波,提出了三者相结合的特征提取方法。该方法首先利用经验模式分解进行分解,得到固有模态函数,选择合适的固有模态函数进行信号的重构,然后将重构的信号进行最优波长空间滤波变换,得到最优的波长选择信号,再经共空间模式投影映射,提取相应的特征向量,最后利用支持向量机进行分类。运用该方法对9位受试者进行分类结果分析,平均分类准确率在95%以上,实验表明,提出的算法具有较好的分类识别性。

节律自适应的运动想象脑电空域特征提取方法

目的:针对运动想象脑电(MI-EEG)信号个体差异性大,特征质量依赖频带的选择,导致多类MI-EEG信号识别效果差的问题,提出节律自适应的空域特征提取方法。方法:用滤波器组共空间模式(FBCSP)提取多个频带的空域特征,结合免疫粒子群优化算法,对特征提取过程中的频、空参数寻优,实现节律、空域特征提取参数的自适应调整,获取最优节律下的FBCSP空域特征,提升多类MI-EEG信号的识别准确率。结果:本文方法在BCI-Ⅳ Dataset 2a、BCI-ⅢDataset 3a数据集上取得85.49%的平均准确率,较原始FBCSP方法提升10.84%。结论:本文方法更好地获取了脑电空域特征,能有效提高分类正确率,为MI-EEG分类提供了新的解决思路。