基于LMD和CSP的多域融合脑电信号分类方法

运动想象脑电信号非平稳、非线性和微弱性特征明显,采用传统单一维度特征进行分类时存在识别率低、鲁棒性差的问题。提出一种基于局部均值分解(Local Mean Decomposition,LMD)和共空间模式(Common Spatial Pattern,CSP)的多域融合脑电信号分类方法,采用LMD对运动脑电信号进行自适应分解得到多个乘积分量(Product Function,PF),进而从PF中提取反映不同信号差异特性的12维时-频域特征,将PF作为CSP的多通道数据进行分解,并提取18维空域特征。利用相关向量机(Relevance Vector Machine,RVM)分类器对30维时-频-空域特征进行特征选择和分类识别,在自动确定最优分类特征的同时获得理想的分类结果。基于BCI竞赛数据开展实验,结果表明,所提方法可以获得优于95%的正确分类性能,并且在低信噪比条件下具有较强的噪声稳健性。

基于小波变换和AdaBoost极限学习机的癫痫脑电信号分类

针对单一极限学习机(ELM)在癫痫脑电信号研究中分类结果不稳定、泛化能力差的缺陷,提出一种基于互信息(MI)的Ada Boost极限学习机分类算法。该算法将Ada Boost引入到极限学习机中,并嵌入互信息输入变量选择,以强学习器最终的性能作为评价指标,实现对输入变量以及网络模型的优化。利用小波变换(WT)提取脑电信号特征,并结合提出的分类算法对UCI脑电数据集以及波恩大学癫痫脑电数据进行分类。实验结果表明,所提方法相比传统方法以及其他同类型研究,在分类精度和稳定性上有着明显提高,并具有较好的泛化性能。

基于分数阶傅里叶变换和RVM的运动想象脑电信号分类方法

提出一种基于分数阶傅里叶变换(Fractional Fourier Transform,FRFT)和相关向量机(Relevance Vector Machine,RVM)的运动想象脑电信号分类方法。利用不同阶次的FRFT将脑电信号转换至分数域,在分数域提取44维分数阶特征,充分扩展特征域的同时尽可能多地从不同维度提取信号中的有用信息。利用RVM分类器进行特征选择和分类识别,在自动确定最优分类特征的同时获得理想的分类结果。基于国际BCI竞赛2003中Graz数据的实验结果表明,该方法可以获得97.51%的正确识别率,并且具有较强的泛化能力和噪声稳健性。

基于节律同化效应的思维脑电信号分类研究

通过对正弦调制光(SML)刺激和无刺激思维脑电信号的对比分类研究,探索了思维脑电信号的节律同化现象对思维脑电信号分类的影响。研究结果表明,大脑在SML刺激下进行思维作业时,思维EEG信号携带的与刺激频率有关的节律同化信息能提高某些思维作业的分类正确率,并且SML刺激产生的局部节律同化效应能减少用于提供分类信息的EEG信号的导联数。这些结果有利于提高基于思维作业脑-计算机接口(BCI)的通信准确率和速度。

基于经验模态分解和SVM的脑电信号分类方法

脑电信号的非线性、非平稳性造成对运动想象脑电信号的分类识别存在特征提取困难、可区分性低以及分类识别性能差等问题;文章提出一种基于经验模态分解(empirical mode decomposition,EMD)和支撑向量机(support vector machine,SVM)的运动想象脑电信号分类方法,充分利用EMD算法在处理非线性、非平稳信号的自适应性以及SVM在小样本条件的高识别性能和强泛化能力;首先利用EMD算法将C3、C4导联信号分解为一系列本征模函数(intrinsic mode function,IMF),然后从IMF的信息和能量等维度提取特征将脑电信号转换至区分性更强的特征域,最后利用SVM进行分类识别;采用国际BCI竞赛2003中的Graz数据进行验证,所提方法可以得到94.6%的正确识别率,为在线脑-机接口系统的研究提供了新的思路。

基于经验模态-小波包分解和卷积神经网络的P300脑电信号分类研究

针对P300脑电信号信噪比低、随机性强及个体差异性大等问题,提出了一种将经验模态分解(EMD)和小波包分解(WP)相结合的滤波方法,并使用改进的卷积神经网络(CNN)对脑电信号进行分类识别。首先利用经验模态分解算法将原始脑电信号分解成若干个本征模函数(IMF)分量,并对每个分量进行频谱分析以去除0~30 Hz主频段以外的分量;然后,对保留的IMF分量进行小波包分解,根据P300电位的有效时频信息,选择合适的频段进行重构,再将重构后的各个本征模函数叠加,得到经过滤波后的脑电信号;最后,设计合适的卷积神经网络结构,对P300信号进行分类识别。本文使用国际BCI竞赛数据集对提出的方法进行验证。实验结果表明,两名被试的分类准确率分别为97.78%、95.56%,说明该方法能够有效地改善P300信号的识别效果(相比其他方法至少提升了2.78%,1.39%),为进一步提高基于P300信号脑机接口系统的性能提供了一种新的有效的途径。

基于方差和深度学习的脑电信号分类算法

为了改善传统脑电信号分类不够准确且分类难度较大的问题,研究一种基于方差和深度学习的模型对脑电信号进行分类。针对脑电信号图像识别率较低的问题,采用方差对脑电信号进行特征提取,结合深度学习的一种典型方法——深度信念网络对提取数据进行训练,构建分类器,实现对脑电信号更高效的分类。实验证明,相比于SVM支持向量机、朴素贝叶斯等分类算法,该模型可以更准确地分类。

基于分数阶傅里叶变换的运动脑电信号分类方法

运动想象脑电信号作为一种典型的非线性、非平稳信号,在传统基于单一特征提取的分类方法中难以取得理想的分类性能。针对该问题,将分数阶傅里叶变换(Fractional Fourier Transform,FrFT)引入到脑电信号特征提取过程中。首先利用FrFT对信号进行分析,在扩展特征域的同时从不同维度提取信号中的有用信息并构成特征向量,然后利用支持向量机(Support Vector Machine,SVM)分类器对所提取的特征向量进行分类,最后采用Graz数据开展实验。实验结果表明所提方法能够获得高达92.57%的正确分类结果,明显高于传统采用单一特征提取的分类方法。

基于因子分析模型的噪声稳健脑电信号分类方法

脑电信号的非线性、非平稳性和微弱性造成对运动想象脑电信号的分类存在特征提取困难,分类结果不理想,分类性能受噪声影响明显等问题。为此,提出了一种基于因子分析(Factor Analysis,FA)模型的噪声稳健运动脑电信号分类方法。首先利用FA模型对脑电信号中存在的噪声分量进行抑制,针对重构信号可分性较差的问题,将其转换至功率谱域,进而提取三维能够反映不同运动状态的功率谱特征,最后利用支撑向量机(Support Vector Machine,SVM)分类器对所提特征向量进行分类判决。基于Graz数据的验证实验表明,所提方法可以明显提升低信噪比条件下的分类性能,在实际工程应用中具备较强的推广泛化能力。

基于组合分类器的不同状态下脑电信号分类

当手臂操作与脑电控制被同时应用到水下机器人操作中,且操作人员处于不同作业状态时,针对使用单一脑电信号分类器无法获得较为理想的控制意图识别准确率问题,提出使用组合分类器选取分类结果和根据实际作业情况的特殊性修正分类结果的方法来提升识别准确率.首先,使用Fisher判别方法分别对无手臂操作和存在手臂操作产生的数据进行训练,得到两种作业状态下的分类器;其次,将两分类器进行组合并使用曲线拟合的方式确定用来判定分类结果的基准距离差值(该差值的选取考虑了个体差异);再次,根据实际作业情况的特殊性使用距离修正函数对距离差值进行修正;最后,通过比较基准距离差值与修正后距离差值的大小来确定最终分类结果.为了验证所提方法的有效性,邀请了6位被试者参与测试过程.实验结果显示,在设计的在线实验中,相对于其他3种方法,所提方法在识别准确率上分别提升了13.42%、5.55%和5.55%,说明所提方法是可行且有效的.

运动想象脑电信号特征提取与分类算法研究

针对运动想象脑电信号特征提取困难,分类正确率低的问题,提出了利用小波熵进行特征提取并采用支持向量机(SVM)来分类的算法。计算运动想象脑电信号的功率,通过理论分析选择小波包尺度,对信号功率进行小波包分解并计算其小波包熵(WPE),提取C3、C4导联的小波包熵插值组成特征向量,将特征向量作为分类器的输入送入支持向量机进行分类。采用国际BCI竞赛2003中的Graz数据进行验证,算法的最高分类正确率达97.56%。算法特征向量维数低、数据量小、分类正确率高,对运动想象脑电信号特征提取及分类的任务可以提供参考方法。

脑电信号识别方法的研究

人类对大脑的探索已进入了数字化时代,随着脑信号检测技术的日益成熟以及人工智能算法的研究进展,脑信号的解读研究也展现出越来越多的成果。本文首先介绍当下大脑信号获取的医学方法,而后简述脑电信号的特征提取以及分类识别方法,接着列举脑电识别的前沿研究,最后对脑电信号识别的数据应用领域进行展望。

一种面向运动想象EEG信号处理的高效脑机接口芯片

脑机接口研究涉及神经科学、信号检测、信号处理、模式识别等多学科的交叉领域,因其不断增长的潜在需求、广泛的应用前景和深入的理论研究意义,正成为一个新的研究热点。面向脑机接口大赛运动想象脑电数据的基础上,深入分析了小波变换算法的应用,对小波Mallat分解算法等通过软件方式进行了探索,在此基础上进行了专用电路实现。具体而言,在软件上实现了主成分分析(principal component analysis,PCA)算法及线性判别式分析(linear discriminant analysis,LDA)算法,获取训练样本均值矩阵、分类效果最好状态下的PCA维数及其相应的PCA投影矩阵,并确定分类时的LDA投影方向及判别阈值。在硬件上,将上述相应参数固化到加速芯片的专用存储中,以现场可编程门控为载体,实现了Mallat分解算法,PCA和LDA算法并系统验证了设计正确性。三个算法专用电路模块构成了一个脑机接口系统芯片,实现运动想象脑电EEG信号分类功能,分类准确率达到96.4%。

离散差分模块在癫痫脑电分类中的应用

针对癫痫脑电信号多分类的精度提升问题,提出了一种基于信号转差分模块与卷积模块结合的分类算法。信号转差分模块对原始脑电信号进行多阶差分运算,得到描述其波动特征的差分表示;然后卷积模块动态学习的方式将差分脑电信号转换为图片,利用预训练的卷积神经网络来提取信号特征并实现自动分类。分类结果表明,与现有研究相比,所提出的方法的最高提升了8.1%的分类准确率。在两分类问题上达到了99.8%的分类准确率,在三分类问题上获得了92.8%的准确率,在五分类问题上取得了86.7%的准确率。说明信号转差分模块对于脑电信号分类问题有积极作用。

可穿戴脑电图设备关键技术及其应用综述

可穿戴脑电图(EEG)设备是一种用于日常实时监测的无线EGG系统,因其便携性、实时性、无创性及低成本等优势迅速发展并得到广泛应用。该系统主要由信号采集模块、信号处理模块、微控制模块、通信模块及电源模块等硬件部分以及移动终端模块和云存储模块等软件部分组成。就可穿戴EEG设备关键技术进行论述。首先,阐述了对EGG信号采集模块的改进,另外对可穿戴EEG设备信号预处理模块、信号的降噪、伪影处理及特征提取技术进行比较;然后,对机器学习、深度学习分类算法的优缺点进行分析,并对穿戴式EEG设备的应用领域进行总结;最后,提出可穿戴EEG设备的关键技术未来的发展趋势。

基于复杂网络特征的大脑功能网络分析

为了从大脑不同区域的连接关系去区分耳鸣患者与正常人的脑功能网络,通过每两路导联脑电信号的锁相值建立高密度(128通道)大脑功能网络,计算该网络的度、聚类系数、特征路径长度、小世界指标、网络密度、介数中心性、同配系数和网络结构熵8种复杂网络特征指标,验证了所建立的大脑功能网络具有小世界特性,而且这些特征指标能有效描述大脑功能网络的信息传输能力与节点重要性。根据这些复杂网络特征指标作为4种分类器的输入特征向量进行分类检验,其中支持向量机算法取得最好的分类效果,准确率达到94%,验证了复杂网络指标可以作为脑电信号分类的有效特征参数。

基于随机森林算法的高维脑电特征优选

在基于脑电的脑-机接口研究中,脑电信号的分类是较为重要的部分。从多导脑电中得到大量可用于分类的特征,并对这些特征进行优选是研究热点。本文应用多分类器组合的分类树方法和自助法重采样技术,结合随机特征选择,使用随机森林组合分类器方法对想象运动实验中的高维脑电特征进行分析。根据不同特征在生成森林过程中被选用于分枝次数的不同,提出了一种有效的特征优选方法,并在特征优选的基础上可以进行导联的筛选。

基于DIVA模型的脑电信号识别方法

DIVA(Direction Into Velocities of Articulators)模型是一种描述人脑中涉及语音生成和语音理解区域所发挥的作用的数学模型,能对发音过程进行模拟,对语音脑机接口系统的设计具有指导意义,文章根据DIVA模型的定义和相关研究结论,对人在发音过程中的脑电信号进行了处理,首先利用小波包将脑电信号进行特征提取,之后使用SVM(Support Vector Machine)分类器进行分类.结果表明,该方法对发音过程的脑电信号特征提取和分类效果较好,识别率达到70%,为基于DIVA模型的语音脑机接口系统设计提供了一种思路,此外,实验的结论也印证了DIVA模型对于发音过程大脑区域激活情况的预测.

AFBCNet:一种基于自适应滤波器组的运动想象卷积神经网络

脑电图(EEG)的解码与分类一直是脑-机接口技术(BCI)领域的研究热点之一。虽然基于深度学习的方法已经取得了相当优异的成绩,但是在多分类、小样本数据集上,设计一个可解释性高、学习快、解码准确且精度高的模型仍然是一个挑战。为了深度解码基于运动想象(MI)的EEG信号,提出了一种基于自适应滤波器组的运动想象卷积神经网络:AFBCNet。首先通过自适应滤波器组与空间卷积层对MI-EEG信号的最优频带组合进行时空分解,然后通过改进的轻量化Inception模块进行特征提取,最后进行特征整合与分类。实验结果表明,所提出的方法在BCICIV_2a和BCICIV_2b数据集上平均识别率达到81.82%和84.13%,并且具有良好的鲁棒性与迁移能力。