特征可分性显式建模的跨数据库脑电解码方法

目前,在运动想象解码领域,研究主要集中在被试依赖和被试独立解码两种方法上。然而,这两种解码方式在脑机接口(BCI)系统的实际使用中存在较大局限性。被试依赖和被试独立解码都依赖于同一中心数据集,当解码模型应用于其他中心的数据集时,性能将显著下降,无法满足BCI系统跨中心使用的需求。为提升运动想象脑电跨数据库解码性能,基于领域泛化的方法框架,提出了一种基于Fisher准则正则化的稀疏选择模型。在最小绝对值收缩和选择算子(LASSO)模型的基础上,引入Fisher准则正则项,以在特征选择过程中显式建模特征的可分性。这有助于提高领域泛化的表示学习能力,从而增强分类模型在不同数据集上的泛化性能。采用两个公开的运动想象脑电数据集,并使用滤波器组共空间模式(FBCSP)和多时频共空间模式(MTFCSP)两种特征提取方法,验证了所提方法的有效性,进一步使用自采集的数据也证实了该方法在实际应用中同样有效。与现有的方法相比,所提方法取得了最高平均分类准确率,达到67.26%。实验结果表明,所提方法在运动想象跨数据库解码中具有更好的泛化能力、更高的特征可分性、更好的鲁棒性。所提方法有望促进BCI系统跨中心使用,提高通用性。

基于多视图自编码器的多被试者脑影像功能校准

功能磁共振成像(functional Magnetic Resonance Imaging,fMRI)研究面临的主要挑战之一是不同被试者fMRI数据的异质性。一方面,多被试数据分析对于确定所生成结果跨被试的通用性和有效性至关重要。另一方面,分析多被试者fMRI数据需要在不同被试者的神经活动之间进行准确的解剖和功能校准,以提升最终结果的性能。然而,现有大多数功能校准研究都采用浅层模型来处理多被试者间的复杂关系,这严重束缚了多被试信息的建模能力。为此,提出了一种基于多视图自编码器的功能校准(Multi-view Auto-encoder Functional Alignment,MAFA)方法。具体地,该方法通过重构不同被试者的响应空间来学习节点嵌入,捕获不同被试者之间共享的特征表示,从而创建一个公共的响应空间。此外,通过引入自训练聚类目标,利用高置信度节点作为软标签来监督图聚类过程。在4个数据集上的实验结果表明,相比其他多被试者脑影像功能校准方法,所提方法在解码精度方面取得了最佳效果。

一种高效运动想象脑电信号浅层卷积解码网络

针对现有运动想象脑机接口(MI-BCIs)中,基于深度学习的脑电信号解码网络(EEGNet)时域-空域-频域耦合特征学习能力差、模型训练与推理时间长的问题,提出了一种高效运动想象脑电信号浅层卷积解码网络(Faster-EEGNet)。该网络将第1层二维平面串行卷积优化为所有通道同时进行的串行卷积,完成了各通道信号的时域滤波与空间滤波;在中间深度卷积层对空间模式提取信号进行时域卷积特征提取,然后由深度分离卷积再次提取信号的时间-空间耦合特征,并对其进行模式识别。采用公开数据集进行仿真实验验证,结果表明:Faster-EEGNet网络的运动想象识别准确率与信息传输率相较于EEGNet网络有更好的表现,在本实验的小样本训练场景下也能够取得较好的识别效果;相较于EEGNet网络,Faster-EEGNet网络的训练时间减少了44.8%,模型推理时间减少了43.6%以上。实验结果证明所提Faster-EEGNet网络能够提升运动想象脑机接口系统的识别准确性、便捷性及快速响应性能。

基于多输入三维卷积神经网络的脑电解码模型

脑机接口是实现人脑与外界交互的关键技术,脑电解码是其中的核心环节,并随着深度学习发展在预测大脑意图的精度方面得到显著提升。然而个体内脑电信号差异降低了脑电解码模型的鲁棒性。为此,提出一种多输入三维卷积神经网络(MT-3D-CNN)的脑电解码模型,通过融合脑电数据的空间排布与时间排布,形成两种三维矩阵数据作为卷积网络的多输入,采用三维卷积核沿时-空方向进行特征提取与解码。10名被试参加了间隔6 h和12 h的脑机接口实验,并采用MT-3D-CNN进行跨时间的解码预测。MT-3D-CNN的单次解码准确率在长时间下分别维持在78.15%和72.56%,高于单输入的3D-CNN(62.89%和52.35%),表明MT-3D-CNN通过对脑电数据的时间和空间的多种排布方式形成的多输入能够充分利用其三维卷积核学习与提取特征的能力,并且针对个体内脑电差异具有更强的解码性能,有助于推动脑机接口系统的普及使用。

基于特征融合和集成学习的运动想象脑电解码方法

开发高性能的脑电解码方法一直是脑机接口系统研究的重点和难点。为了进一步提高运动想象脑电解码的性能,提出了基于特征融合和集成学习的脑电解码方法。首先,针对每个通道脑电信号提取方差、自回归(AR)系数和带通功率特征,接着进行特征融合。其次,提出两种新的集成学习方法,分别是基于K最近邻(KNN)的集成学习模型和基于最小绝对值收缩和选择算子(LASSO)的集成学习模型。其中,KNN集成模型针对KNN分类器的K值以及闵式距离的P值进行集成,LASSO集成模型针对LASSO分类器的正则化参数进行集成,这两种集成学习方法计算简单且不需要烦琐耗时的交叉验证过程进行模型选择。最后,在三个公开的运动想象脑电数据集上验证所提方法的有效性。实验结果表明,新提出的集成学习方法,其分类结果优于支持向量机、随机森林等现有的分类器。LASSO集成模型优于KNN集成模型,在三个数据集上取得了71.75%的最高平均分类准确率。

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。

运动相关思维诱发脑电信息解码与应用综述

运动是人类日常思维与活动最基本、最重要的必需功能之一,各式动作通过神经系统调节肌肉收缩或舒张得以实现。研究运动相关思维诱发大脑神经生理活动信息不仅可深入揭示脑认知与行为的内在神经原理和调控机制,还能为研究开发新型脑-机接口(BCI)系统、更有效辅助运动障碍患者功能康复提供关键科学依据与创新设计思路,具有显见的学术意义和应用价值。主要综述了运动想象(MI)与运动执行(ME)思维所诱发不同脑电(EEG)神经生理特征的异同;重点回顾了基于运动相关思维EEG信息解码BCI在运动意图检测、特定局部肢体运动分类及参数解码与应用的最新研究进展;分析了阻碍其发展的技术难点并探讨了可能化解思路及展望了其未来前景;以期促进相关BCI技术的深入研究与开发应用。

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。

基于深度学习的t-fMRI脑状态解码

针对传统方法在解码大脑状态中由特征提取带来的可重复性差和耗时问题,采用基于3D卷积神经网络(3D-CNN)模型对任务态功能磁共振成像(t-fMRI)进行分类,从不同数据粒度分别采用梯度加权类激活映射(GradCAM)算法和导向梯度加权类激活映射(Guided Grad-CAM)算法探索分类结果与大脑不同脑区的功能相关性。采用4种不同t-f MRI数据验证算法的有效性,结果显示:3D-CNN分类模型准确度达97.8%,特征可视化能够准确映射到分类结果对应的功能脑区,且可有效解码大脑任务状态。

基于深度时空特征融合的多通道运动想象EEG解码方法

脑电(EEG)是一种在临床上广泛应用的脑信息记录形式,其反映了脑活动中神经细胞放电产生的电场变化情况。脑电广泛应用于脑-机接口(BCI)系统。然而,研究表明脑电信息空间分辨率较低,这种缺陷可以综合分析多通道电极的脑电数据来弥补。为了从多通道数据中高效地获取到与运动想象任务相关的辨识特征,该文提出一种针对多通道脑电信息的卷积神经网络(MC-CNN)解码方法,先对预先选取好的多通道数据预处理后送入2维卷积神经网络(CNN)进行时间-空间特征提取,然后利用自动编码(AE)器把这些特征映射为具有辨识度的特征子空间,最后指导识别网络进行分类识别。实验结果表明,该文所提多通道空间特征提取和构建方法在运动想象脑电任务识别性能和效率上都具有较大优势。

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。

基于特征过滤和PCA降维的混合特征选择方法

过滤式特征选择方法计算复杂度低、时间少,在运动想象脑电解码中应用广泛,但过滤式方法只考虑了特征对标签分类的重要性,忽略了特征之间的相关性。为此提出了一种基于特征过滤和主成分分析(PCA)降维的混合特征选择方法,并应用于运动想象脑电解码。首先,使用方差、相关系数和Relief过滤式方法对特征的重要性进行排序。其次,对三种过滤式方法所选择的特征子集进行PCA降维,并结合Fisher线性判别分析(FLDA)和交叉验证选择最优的特征个数以及主成分个数。最后,使用FLDA对PCA降维后的特征进行分类。在两个公开的脑机接口(BCI)竞赛数据集上验证所提方法的有效性,其中基于Relief和PCA结合的混合特征选择方法取得了79.85%的最高平均分类准确率。实验结果表明,PCA降维对Relief过滤式方法的改进效果比较显著。

脑影像智能分析

近年来,"脑科学计划"吸引了各国政府和公众的广泛关注.脑影像技术是研究脑科学的重要工具之一,然而由于脑影像数据所固有的高维度、多模态、异构和时变等特性,对其进行快速有效分析是当前研究的热点之一.在本文中,首先简要介绍脑影像分析的基本方法,接着回顾作者及其团队近几年在多模态影像数据融合、脑网络构建及其分析、脑影像基因关联分析、脑影像校准等方面的工作,并重点介绍在脑疾病早期诊断以及脑解码领域的应用.

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。