脑-机接口中基于相似关系的MRPs双滤波特征提取算法

针对基于EEG的脑—机接口(BCI)实验数据分布不明朗的特点,双滤波模式(DFP)算法利用样本模式相似性来优化BCI的分类特征——运动相关电位(MRPs)特征的空间(即电极位置)和时间投影方向,使得映射后异类样本模式差异性与同类相似性的比值最大化。该算法考虑MRPs特征对时间、空间的敏感性,并以自适应的方式挖掘它们适合分类的信息;优化时不需要进行样本数据分布假设,符合BCI数据特点。最后,DFP算法对BCI competitionⅠ、Ⅱ两组数据进行实验,识别效果均高于相关比赛的最好成绩,这表明DFP算法能有效提取MRPs特征。

单通道脑电信号中诱发电位的单次提取

我们正在构建一个脑控拼写装置,直接利用脑信号与计算机进行交互。在这种实时通信模式中,作为通信载体的特征脑信号淹没在自发的脑电背景中,不能采用常规的叠加平均方法来提取,而必须实现特征信号的单次识别。为使这种技术走出实验室,记录脑电的导联数应越少越好。我们采用独特的“模拟自然阅读”诱发模式,让被试从平滑移过小视窗的刺激符号串中识别靶刺激符号,以产生视觉诱发电位(VEP)。利用支持向量机方法,对三名被试位于导联P z处EEG信号中的VEP进行了单次提取,正确识别率分别为92.1%、94.1%和91.5%,达到了较为满意的效果,为系统的实现打下了基础。

一种基于心算任务的脑-机接口范式的研究

针对传统基于P300的脑-机接口(BCI)系统中,采集信号信噪比低,特征脑电(EEG)信号提供的信息量少的问题,提出一种视觉刺激下,利用大脑处理特定认知任务(心算任务)时能有效激活相关脑区和响应信号的特性,进而增强EEG特征的BCI范式,并与传统P300范式中计数任务进行对比。对实验所采集到的EEG数据进行去伪迹、分段、滤波等预处理,利用相干平均方法提取信号特征,分析了不同实验范式对事件相关电位(ERP)主要成分P300等特性的影响。改进的范式实验中,P300幅值平均提高了6.83μV,增幅达到73.94%;从400ms开始的脑区活动程度更为剧烈,时间更为持久;此外,不同于传统计数任务,心算任务在650ms处出现有明显的激活。表明改进的范式更能激活相关脑区、增强特征信号,可以为BCI提供一种新型系统范式。

基于小波方差的ECoG分类

针对典型的基于皮层脑电图(ECoG)的脑-机接口(BCI)设计,被试任务为想象左手小指和想象舌头运动,提出了采用小波方差的特征提取方法。首先在小波变换的基础上,提出小波方差的计算方法及其意义,并以此作为特征,从64导联中获取特征较为明显的6个导联进行分析;然后对脑电(EEG)数据进行三层小波分解,根据ERD/ERS现象,提取包含Mu节律和Beta节律的小波系数方差作为特征,采用交叉验证的方法,利用classify进行线性分类。离线分析表明,对训练集和测试集的分类正确率达到90.24%和93.77%,小波方差作为BCI研究中特征提取的方法具有更加简单和有效的特性。

“心想事成”或成真

要想让别人知道自己的想法，我们通常采用的方法是说话、写字或打字．简而言之，我们必须做出某种动作。这种观念现在即将被推翻，因为已经出现了一种正在受到人们极大关注的新技术。