多尺度卷积与注意力机制的脑电信号识别研究

基于运动想象的脑机接口技术可以使大脑绕过中枢和外周神经,在人脑和外部电子设备之间构建直连通路,帮助运动受限人群直接与外界进行交互。由于运动想象脑电信号具有信噪比和空间分辨率较低的特性,导致解码效率较低,文中提出一种基于注意力机制的解码运动想象脑电信号的深度学习模型MSATCNet。首先原始脑电信号通过并行多尺度卷积神经网络提取全局特征和局部特征并加以融合,通过多头注意力机制模块突出融合后的重要特征,最后由时间卷积网络(TCN)提取时序信息,全连接层和Softmax层对提取后的特征进行学习和分类。对所提出的模型在BCI竞赛Ⅳ-2a数据集上进行了实验与分析,所提出模型对所有受试者平均分类精度达到了83.99%,其中最高准确率达到97.07%。结果表明,所提出的模型可以有效提高MI-EEG的分类准确率,提升了运动想象脑电解码的可靠性。

基于F-Score特征选择的癫痫脑电信号识别方法

随着癫痫脑电信号自动检测算法研究地不断深入,需要处理的特征维度也不断增加,且冗余特征增大了算法的复杂度,导致算法性能下降。为此,提出一种基于F-Score特征选择的癫痫脑电信号识别方法。首先,从原始癫痫脑电信号数据集中提取特征,并计算每个特征的F-Score统计值;然后,根据分类模型的分类准确率,通过序列前向搜索方法,选择最优特征集;最后,利用支持向量机和逻辑回归分类模型进行实验,并与传统的特征降维方法PCA进行对比。实验结果表明,本文方法可有效降低特征矩阵的维数,提高算法运算效率。

基于小波变换和AR参数模型的脑电信号识别方法

为了实现脑-计算机接口(Brain-computer interface,BCI)系统,对运动脑电信号的特征进行了提取和分类。将多路脑电信号进行CAR(Common average reference)滤波后,利用小波变换和AR参数模型提取特征并使用基于马氏距离的线性判别分析对运动脑电信号进行分类。结果表明,该方法提取的特征向量较好地反应了脑电信号的事件相关去同步(Event-related desynchronization,ERD)和事件相关同步(Event-related synchronization,ERS)的变化时程,为BCI研究中脑电信号的模式识别提供了有效的手段。

堆叠稀疏降噪自编码的脑电信号识别

该文以深度学习中的自动编码机为基础,对原始输入向量加入噪声处理,隐含层加入稀疏限制,再将单一的网络结构堆叠成深层神经网络,提出改进算法——堆叠稀疏降噪自动编码机。通过在两个不同数据集(实验室采集数据集和2005年BCI竞赛数据集IVa)进行对比实验,结果表明该算法在运动想象脑电信号的特征提取上具有更强的学习能力和鲁棒性。

基于微状态方法的癫痫脑电信号识别研究

癫痫发作时脑神经元异常放电,严重危及人的生命,准确识别癫痫脑电信号对癫痫诊断具有重大意义,对此使用微状态分析法对癫痫脑电信号进行识别研究。各选取11名癫痫患者和健康人,计算癫痫发作、癫痫未发作和健康人脑电微状态的传统特征(出现频率、平均持续时间、覆盖率和转移概率)、Hurst指数、动态特征(ACF和AIF),进行差异性分析并使用SVM进行分类。在1 Hz~40 Hz频段,癫痫发作和健康人、癫痫发作和癫痫未发作、癫痫未发作和健康人的传统特征、Hurst指数、动态特征均有显著差异,三种特征融合的准确率分别为99.9%、96.3%、96.3%,均高于其他频带(delta、theta、alpha、beta和gamma)的准确率。癫痫脑电微状态特征能被准确识别,1 Hz~40 Hz频段多参数特征融合能有效提高分类准确率。

基于BP神经网络的癫痫脑电信号识别研究

为了有效识别癫痫脑电信号,建立了基于误差反向传播(BP)神经网络的癫痫脑电信号识别模型,并提出了一种适合于非平稳脑电信号的特征提取方法。本文以临床采集的包含癫痫发作期的五组500个EEG公共数据为样本,选择了具有任意多分辨分解特性的小波包,对信号进行多尺度分解,提取了各级节点的小波包系数。将小波包系数能量作为特征值,构建了特征向量并输入到BP神经网络分类器中进行自动识别。实验结果表明,该算法的识别率达到了92.5%。

小波包变换和极限学习机相融合的脑电信号识别方法

为了提高脑电信的识别效果,提出一种小波包变换和极限学习机相融合的脑电信号识别方法.采用傅里叶变换对采集的脑电数据进行去噪处理,用小波包变换方法提取小波节律能量均值和小波包能量熵作为特征量,并用极限学习机进行分类.仿真实验结果表明,极限学习机分类速度快、泛化性能好,相对于其他脑电信号识别方法,能有效地提高脑电信号识别的正确率.

基于闪噪谱方法及加权滤波器组共空间模式的运动想象脑电信号识别

针对运动想象脑电信号复杂度高、受试者个体差异大、传统识别模型精度欠佳的问题,本文提出了基于闪噪谱方法及加权滤波器组共空间模式(wFBCSP)的运动想象脑电信号识别模型。首先,采用闪噪谱方法对运动想象脑电信号进行解析,以二阶差矩为结构函数,采用滑窗策略生成前兆时间序列,以发掘过渡阶段的隐匿动态变化。其次,从信号频带特点出发,利用wFBCSP分别对过渡阶段前兆时间序列及反应阶段序列进行特征提取,生成表征过渡阶段及反应阶段的特征向量。进一步,利用最小冗余最大相关算法对特征向量进行局部筛选,使所选特征能自适应于受试者的个体差异,具有更好的泛化性。最后,以支持向量机为分类器进行分类判别。实验结果表明,本文所提方法在运动想象脑电信号识别中取得了86.34%平均分类准确率,较对照方法性能更优,为运动想象脑电信号解码研究提供了新思路。

基于脉冲神经网络的SSVEP脑电信号的识别

针对类脑智能识别技术,设计了一种基于脉冲神经网络的SSVEP脑电信号识别系统,通过对SSVEP脑电信号特点及脉冲神经网络的研究,设计了一种脉冲神经网络结构,采集SSVEP脑电信号建立数据集,对其进行网络训练,再将训练的参数应用于字母或数字图片对应的频率刺激产生的脑电信号识别系统,达到了识别目的。

基于免疫堆叠降噪自编码机网络的运动想象脑电信号识别

针对运动想象(MI)脑电信号识别精度低的实际问题,提出一种结合免疫优化算法和决策机制的堆叠降噪自编码机网络(ISDAE).ISDAE模型通过多层DAE对MI脑电信号分层提取最优特征向量,再通过最后一层神经网络(NN)对所得特征向量进行识别;同时,添加决策机制,并结合免疫优化算法对模型进行参数寻优,最终得到识别准确率更高的ISDAE脑电信号识别模型.实验结果表明,所提出的ISDAE模型对粗糙的脑电数据具有强大的特征学习能力和较高的MI脑电信号识别率,可为MI脑电信号的识别提供一种有效的方法.

基于半监督学习的脑电信号特征提取及识别

针对有监督学习容易造成未标记样本的浪费和手动特征提取容易导致信息丢失的问题,提出一种基于深层堆叠网络(DSN)的半监督特征学习方法。该方法将受限玻尔兹曼机(RBM)的无监督学习与基于批量模式的梯度下降算法相结合,包括预训练和微调两个阶段。首先,采用对比散度(CD)训练算法对多个RBM进行并行的无监督训练,实现对各个通道脑电信号的独立特征提取,避免各通道脑电信号之间的相互干扰。然后,将训练得到的参数用于DSN的输入权值初始化,再采用基于批量模式的梯度下降法对网络进行监督微调,对多个通道的脑电信号进行有效的特征融合,减小特征信息丢失。最后,将所提方法用于运动想象脑电信号特征的提取及识别。实验结果表明本文方法能够充分利用未标记样本中的隐含信息,有效提取脑电信号特征,识别结果优于共同空间模式(CSP)和深度信念网络(DBN)等算法,该方法可用于提高脑-机接口(BCI)系统中脑电信号的识别正确率。

基于平移窗运动想象脑电信号活动段提取

为了迅速、准确地识别运动想象的脑电信号,提出了一种基于平移窗的运动想象脑电信号活动段提取方法。该方法对运动想象脑电信号Mu/Beta节律的事件相关同步化/去同步化(ERS/ERD)特征进行检测,提取ERS/ERD特征明显的时段;再利用统计量进行特征提取,通过Classify分类器进行信号分类。利用2003年BCI竞赛data setⅢ进行测试,分类准确率达到83.5714%。该方法可以评价受试者的脑活动状态,提高运动想象脑电信号的识别准确率,对脑-机接口实时控制系统的研究有一定的帮助。

基于脑电信号评价情绪状态及听觉激励对改善情绪的研究

如何从脑活动数据中发现具有生物学意义的知识及规律,正成为当今神经信息学理论与实践研究的热点与难点.基于脑电的情绪识别和情绪及其脑机制的关联研究已经成为神经工程和生物医学工程领域的热门课题.本研究基于脑电信号评价情绪状态,尝试借助脑电耳机来监测"毫无头绪"的脑电波,重点开展了听觉激励对改善焦虑情绪状态的实验研究.借助特定中国古风纯音乐产生听觉信号激励,激发出被试者平静放松的情绪状态,从而改善焦虑,发现音乐和情绪之间可能存在的关系.将来在BCI技术研究的基础之上,情绪识别可以进一步满足患有特定疾病(ALS症、脑瘫、脑干中风、脊髓损伤等)的患者人群的某些更高级的需求,即通过脑电分析出其对事物的喜好度,比如音乐的选择,从而设计出更加友善和智能的BCI系统,在医疗康复领域具有很好的应用前景.

基于高效通道注意力模块的运动想象脑电识别

基于运动想象的脑机接口技术有助于手部运动障碍的患者康复,因而广泛被用于康复医疗领域。针对目前运动想象脑电信号信噪比低,导致运动想象左右手脑电信号(Motor Imagination-Electroencephalogram,MI-EEG)分类效果不佳的问题,本文鉴于注意力模块能够关注与运动想象分类任务相关的重要特征和忽视不重要特征的特性,提出一种基于高效通道注意力(Efficient Channel Attention,ECA)模块的卷积神经网络对左右手MI-EEG进行特征提取和分类。为便于卷积神经网络(Convolutional Neural Network,CNN)对脑电信号进行识别,本文使用小波变换将脑电时序信号转换为二维时频图;然后调整基于ECA模块的CNN结构和参数;最后,对本文方法在脑电信号数据集上进行实验。实验结果表明,与一些基于深度学习的运动想象分类识别方法相比,基于ECA模块的CNN能够有效提升MI-EEG的识别准确率,说明本文方法在运动想象脑电识别方面具有有效性。