基于ABC-SVM的运动想象脑电信号模式分类

为了提高运动想象脑电信号分类的准确率,针对传统支持向量机(SVM)分类方法在脑电信号处理中存在寻优繁琐、工作量大和分类正确率低等问题,本研究提出一种基于人工蜂群(ABC)算法优化SVM的分类识别方法。首先利用正则化共空间模式对脑电信号进行特征提取,然后利用ABC算法优化SVM的惩罚因子和核参数,最后利用提取的右手和右脚两类脑电信号样本特征对优化后的SVM进行训练和分类测试。实验结果表明ABC-SVM分类器提高了脑电信号分类的准确率,比传统的SVM分类器准确率高出2.5%,证明该算法的可行性和较高准确性。

结合显性与隐性空间光滑的高效二维图像判别特征抽取

图像具有固有的二维空间结构,空间上邻近的像素点通常具有相近的灰度值,意味着图像具有局部光滑性.为对其特征抽取,传统方法常将原始图像拉成向量,造成空间结构的破坏,由此直接基于图像的2D特征抽取法应运而生.典型的如2DLDA,2DPCA,相比向量方法,计算复杂度显著降低,但其操作针对的是图像整行(或整列),导致空间光滑度过粗.为此,空间正则化通过在向量化空间中显式地施加局部空间光滑弥补这一不足,由此获得了比2D抽取法更优的分类性能,但其遗传了向量法的高计算代价.最近,隐性空间正则化方法(implicit spatial regularization,ISR)提出利用图像划分与重组隐性地体现图像局部光滑性,而后再利用现有2D方法抽取特征,使典型双边2DLDA性能优于SSSL(一种典型的显性空间正则化方法),但是,仅隐性地光滑缺乏显式的强制约束力,其特征空间依然欠光滑,同时双边2DLDA由非凸问题获得,计算耗时却不能保证解的全局最优性.鉴于此,提出一种结合显性与隐性空间光滑的高效二维图像判别特征抽取框架(2D-CISSE).其关键步骤是预先对图像显性地全局光滑,紧接着进行ISR,既继承了ISR的隐性光滑又强化了图像局部光滑的显式约束力,不仅可直接获得全局最优投影,同时该框架具有一般性,即现有大部分图像光滑方法与2D特征抽取法均可嵌入其中.最后,通过在人脸数据集Yale,ORL,CMU PIE,AR以及手写数字数据集MNIST和USPS上的对比实验验证了2D-CISSE框架性能的优越性与计算的高效性.

步态信号采集与分类平台的设计与实现

低成本、易实施、无接触式的步态信号采集与分类平台可为步态的定量评估、智能诊断提供新的研究路径与参考思路。应用改进经验模态分解(empirical mode decomposition,EMD)结合Bagging正则化共空间模式(Bagging regularized common spatial pattern,BRCSP)与Fisher线性判别分析法(Fisher linear discriminant analysis,FLDA)设计了步态信号采集与分类平台。该平台将采集到的步态信号通过改进EMD进行滤波,抑制高频干扰噪声,提取真实、有用的本征模态分量(intrinsic mode function,IMF)进行信号重构,从而得到包含完整、准确步态信息的信号;再通过BRCSP特征提取方法强化步态信号的个体差异性及共同特征,提取出显著的特征分量;最后应用FLDA方法将特征向量映射到低维度空间中并进行步态分类。实验结果表明,该平台能准确分类进入红外、激光检测区域内的不同步态,平均分类准确率达到96.6%。

基于改进CSSD的脑电信号特征提取方法

针对脑-机接口系统在训练样本较少的情况下,存在脑电(EEG)信号特征值稳定性低、特征向量区分度差等不足,提出一种脑电特征提取方法,即正则化共空域子空间分解法(R-CSSD).该方法在传统共空域子空间分解(CSSD)算法的基础上引入正则化思想,通过正则化参数将目标实验者的训练数据与其他实验者(称为辅助实验者)的同类型训练数据进行有效结合,以构造正则化空间滤波器,完成对目标实验者运动想象EEG信号的特征提取,并进一步选用K近邻(KNN)算法实现脑电数据的分类.实验结果表明:在小训练样本情况下,R-CSSD方法有效提高了脑电信号特征值的稳定性,在提高分类正确率、降低时间消耗方面具有良好的性能.

基于CSP的多类运动想象脑电特征自动选择算法

目的在基于协方差矩阵近似联合对角化(joint approximation diagonalization,JAD)的多类共空间模式(common spatial pattern,CSP)运动想象检测滤波器的设计过程中,需要对关键特征向量进行选择。较常用的基于"最高得分特征值准则"的特征向量选择方法会出现不同类数据的最高得分特征值对应同一个特征向量,因此导致无效CSP滤波器的出现,进而影响系统识别率。本文在传统JAD方法上提出一种特征值自动选择方法以解决特征值选择无效问题。方法基于BCI Competition 2005data IIIa(BCI2005)和实验室自主采集三类运动想象脑电(EEG)数据集,对不同想象类别数据对应同一个特征向量的异常现象进行实验分析。结果在两个数据集自测试下,本方法的三类运动想象平均识别率分别达到82.78%和85.92%,比传统JAD提高3.44%和3.25%。结论基于CSP的多类运动想象脑电特征自动选择算法能够有效解决特征值选择无效问题,进而提升运动想象BCI系统的分类识别率。