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。

基于脑电信号的通道选择研究综述

脑电(EEG)信号是脑机接口(BCI)系统的关键信号载体。全脑电极排布采集的EEG数据有利于获得较高的信息表征。而个性化的电极布局,在保证EEG信号解码精度的基础上,亦能缩短BCI的校准时间,已成为一个重要的研究方向。本文梳理了近几年的EEG信号通道选择方法,对不同的通道选择方法与不同的分类算法的结合效果进行了比较分析,总结了BCI中运动想象、P300等范式中常用的通道组合,并阐述了通道选择方法在不同范式中的应用场景,以期为实现更精准和更便携的BCI系统提供较有力的支持。

基于多维动态卷积的运动想象脑电识别

基于运动想象的脑机接口(Brain Computer Interface, BCI)可以帮助残疾人控制机械手臂等外部设备,其中脑电信号解码是关键所在。但是不同个体间的脑电信号差异很大,使得传统的深度学习模型所采用的静态卷积很难自适应地提取脑电特征。为解决这个问题,本文提出了基于多维动态卷积的深度学习模型(Multidimensional Dynamic Convolution Net, MDconvnet),该模型通过三层多维动态卷积来提取特征,并将提取的特征输入到全连接层来获取分类结果。其中多维动态卷积会依据输入的数据,生成卷积多维度的注意力权重,并将该权重与卷积参数相乘来动态地调节卷积参数,以便更好地挖掘数据时空特征。本文采用2023运动想象数据集RankA和数据集RankB对MDConvnet模型进行了测试,同时与多个经典的运动想象识别模型(FBCSP、EEGnet、EEGTCN、FBCnet、Tesecption、STASCNN、Deepconvnet和VIT)进行性能对比。结果显示MDConvnet模型在RankA和RankB数据集上的平均准确率分别为64.20%和67.04%,超过其他算法模型,展现出了MDConvnet模型在运动想象脑电识别任务上的优异性能,为残疾人通过脑机接口控制外部设备提供了有力的支持。

快速序列呈现范式在我国的研究现状综述

快速序列呈现(rapid serial visual presentation,RSVP)是利用人看到“新奇”事物诱发P300事件相关电位的特异性属性,对其电位解析从而在海量图片流中检索到目标图像的实验范式。随着脑机智能融合领域的发展,RSVP范式被逐渐用于军事侦察、医学诊断等领域。通过解码RSVP信号,能获得比单纯视觉分类更高效的目标检测效果。这种独特的特性,也逐渐演化至不同的编码任务,以供神经心理、认知记忆等方面研究的功能范式设计。近年来,国内研究者对RSVP的编码和解码都贡献了诸多创新技术,使得RSVP成为脑机接口研究的一支重要范式。本文首先回顾了RSVP的发展,之后分别列举和分析了编码及解码的关键技术,并对RSVP目前发展的局限和未来研究方向进行了深入的讨论。通过本文,能为RSVP范式的发展现状、技术特点和未来前景提供有价值的参考。