基于拓扑数据分析的驾驶疲劳EEG数据处理与优化分析研究

为提高驾驶疲劳脑电(EEG)数据处理与分析的准确性和鲁棒性,提出一种基于拓扑数据分析(TDA)的驾驶人疲劳脑电分析方法。首先利用汽车性能虚拟仿真平台开展驾驶实验,通过驾驶人状态反馈和面部特征视频,标记脑电数据,形成清醒和疲劳二分数据集。之后利用EEGLAB预处理数据,剔除噪声并保留0.3~30 Hz频带,直接从时域EEG数据中提取拓扑特征。此外还提取了经典频域特征α波能量和α/β用于对比分析。最后使用支持向量机进行分类。结果表明,基于持久同源(PH)的拓扑特征取得了高达88.7%的准确率和91.4%的召回率,与经典频域特征性能相当,且对脑电伪影的鲁棒性明显更好,在未剔除EEG伪影的情况下仍取得了87.4%的准确率和89.7%的召回率。综上所述,本文提出的用于驾驶疲劳脑电信号处理与分析的TDA方法抗干扰特性好、处理成本低、经济性高,有助于稳定、高效地处理驾驶人脑电数据并检测驾驶疲劳状态,具有较大的科学实际应用价值。

基于Otsu的EEG通道选择情绪识别研究

脑电信号情绪识别是数据人机交互(HCI)技术的一种,实时情感识别对于模型性能要求较高,为实现以较低的运算成本获取较高的识别精度,采用时域滑动窗口的方法扩充样本量,基于Otsu算法筛选出含有最多情绪特征信息的通道,并利用快速傅里叶变换进行脑电信号频段提取,以功率谱密度作为特征,构建了基于支持向量机等分类模型,对高唤醒-低唤醒(HA-LA)和高效价-低效价(HV-LV)两种任务进行分类。实验表明,使用SVM分类器在HA-LA情绪识别任务中得到(82.2±0.4)%的识别准确率,在HV-LV情绪识别任务中得到(83.4±0.3)%的识别准确率。所提出的时域滑动窗口能有效提取含有情绪的脑电信号,在减少数据量的情况下仍获得了不错的情绪识别性能,为实时情感识别的脑机接口提供了一种高效的模型。

基于集成式张量域自适应的运动想象脑电分类

实际应用中脑电信号一直面临采集成本高、用户间差异大等问题,制约着基于脑电信号的运动想象领域的发展。针对跨受试者运动想象脑电信号识别任务,本研究提出了一种基于集成式张量域自适应的迁移学习方法。首先采用改进的欧氏空间对齐方法对多维脑电数据进行协方差对齐,消除原始数据的边缘分布偏移;其次提出基于张量子空间的改进联合概率分布方法,求得不同类别的映射子空间并实现未知标签的目标域识别分类。分别在7人200个样本和9人144个样本的BCI数据集上进行了实验,平均准确率达到82.18%和76.45%,证明了该方法在跨域分类识别上具有很好的性能。同时对于该方法各环节的效果也进行了可视化验证,展示了该集成式方法在跨域问题上的效果。

基于双子空间PCA降维的脑力负荷分类

人类社会至今的飞速发展使得大量体力劳动被机械工程替代,工作者的任务重心也从体力劳动逐渐转变为脑力劳动,对操作者脑力负荷进行实时评估以增强工作效率在当下有着重大意义。目前人类对于脑力负荷评估共有3种方式,有研究表明,采用生物电信号进行脑力负荷分类效果较其余两种方法更客观。但脑电信号经过特征提取后维数极高,所需数据量和运算量巨大,需要对其进行降维。目前降维方面最广泛运用的两种算法为主成分分析(principal component analysis,PCA)和线性判别分析(linear discriminate analysis,LDA)。针对PCA的非监督性和LDA的特征冗余敏感性,提出一种二分类下基于双子空间主成分分析的降维算法,分别对不同类别的训练集数据进行主成分分析,并将所有训练集数据映射到生成的空间中,再次进行PCA-LDA降维,以此提高降维后数据的可分性。实验结果表明,双子空间PCA-LDA降维算法在二分类任务下测试集精度整体高于单子空间PCA-LDA算法,以此为脑力负荷分类领域和高维数据降维领域提供了新思路。

基于多模态数据的在线学习认知负荷评估

近年来,认知负荷过载成为影响在线学习效果的一个重要因素。为解决此问题,文章聚焦在线学习认知负荷评估,首先设计了基于多模态数据的在线学习认知负荷评估研究框架,包含多模态数据采集、多模态特征提取和评估模型构建三个部分。接着,文章通过实验,采集学习者在特定在线学习环境下的多模态数据,提取人脸表情特征、眼动追踪指标特征和脑电信号特征,构建在线学习认知负荷评估模型。之后,文章对评估模型的准确性进行验证,发现在五种机器学习算法模型中,KNN模型的综合性能最佳,故将此模型作为最终的在线学习认知评估模型;同时,文章对多模态数据进行了分析,发现多模态融合方法在认知负荷评估上具有优越性。文章构建的评估模型可赋能在线学习平台实现认知负荷的实时评估,进而实现基于认知负荷的个性化学习,增强学习动机,提升学习效果,促进在线教育质量提升。

基于多模态数据的在线学习认知风格智能识别

在人工智能技术迅速发展的背景下,多模态数据分析在教育领域的重要性日益凸显。本研究通过提取学习者在线学习中产生的脑电数据、表情数据和眼动数据等,构建了基于多模态数据的认知风格智能识别框架,并运用六种机器学习模型验证其有效性。研究结果显示,四种机器学习模型的识别准确率超过80%,且最佳模型的准确率达89.17%,F1分数达0.9241。此外,与基于单模态数据的模型相比,基于多模态数据的认知风格模型识别表现更佳。这表明,多模态数据融合策略具有优越性,有助于加强在线学习平台的适应性和个性化。

基于STM32和USB虚拟串口的EEG信号采集仪设计

便携式脑电信号采集系统采用三级放大器将脑电信号逐级放大数千倍,采用仪表放大芯片INA129作为前置放大器,ADS8568作为模拟数字转换器,对32路EEG信号进行放大滤波和同步采集。以STM32微处理器作为核心,通过基于USB的虚拟串口将原始数据传给计算机,在计算机上使用MATLAB对数据进行数字滤波处理,最终将波形实时显示在GUI中。使用USB接口方便与主机相连,保证了传输带宽和稳定性,虚拟串口方便MATLAB软件的开发。与传统EEG信号采集仪相比,具有便携性强、成本低廉、便于重构等优点。

脑电信号情绪识别关键技术研究进展

随着人机交互技术的不断进步和广泛应用,对用户情绪的准确识别变得日益重要。情绪识别技术已经在多个领域展现出巨大潜力,包括医疗诊断、交通安全和教育等方面。而基于脑电的情绪识别成为了情绪识别领域中的热门研究方向。首先,本文介绍情绪连续和情绪离散模型的基本概念,总结常用的脑电公开数据集,并对数据集的规模、情绪标签以及它们对脑电情绪识别任务的影响进行了比较分析。其次,因为不同频带和脑电通道对于情绪识别的影响各不相同,课题组汇总脑电情绪识别关键频带和通道的相关研究,并从文献中总结归纳出脑电情绪识别的关键频带范围以及具有丰富情绪信息的脑电通道位置。接着,介绍四类脑电情绪特征且给出对应的特征提取方法,也指出各种脑电特征的提取难度和目前在情绪识别中的应用效果。然后,对基于深度学习的脑电情绪识别中的数据增强技术和注意力机制进行了阐述,指出数据增强技术的主流趋势和生成的人工情绪特征的类型,对各种注意力机制的作用方式和侧重点进行了对比分析。数据增强技术用来解决脑电数据量不足的问题,注意力机制则对情绪识别准确率的提高起到了关键作用。最后,对未来脑电情绪识别模型的通用性和脑电采集设备的研究方向做了一定的展望。

基于脑电信号的数据可视化设计研究

基于数据可视化设计的理论方法,总结探索当前脑电数据可视化的特征及设计策略。探讨与分析脑电数据可视化的基本要素,结合脑电可视化案例分析比较,归纳其设计特征以及类别,从建立视觉符号、选择映射关系、设定模态交互3个方面构思脑电数据可视化的交互设计策略。总结脑电数据可视化的三大特征以及进一步推导出可视化的设计方法。该研究可为脑电数据可视化设计及创新应用提供参考,帮助设计研究者理解和制订合适的研究路径。

EEG无损压缩技术的研究

本文提出一种基于改进的DM编码和自适应二值算术编码的EEG无损压缩技术:首先对数据进行DM编码,然后再通过适当数据格式的转换以消除各个字节中的“冗余比特位”,同时整个数据基于比特位的熵值也因此降低;在此基础上,再对结果进行二值算术编码输出最终的压缩结果。经实践表明,该技术的压缩性能明显优越于常规的无损压缩算法,并且整个过程实现简单、实时性好。

矿山救护队员训练和心理干预生理指标监测系统设计

为实时采集监测矿山救护队员训练和心理干预过程中的生理指标数据,基于STM32构建了生理指标监测系统,设计了心率变异性指标监测电路、脑电信号监测电路、皮肤电反应数据监测电路、数据通信电路设计和上位机监测系统。系统通过传感器和各监测电路采集相应的生理指标数据,并对数据进行初步分析后实时上传至上位机,实时直观地给出矿山救护队员的生理指标数据,为矿山救护队员训练和心理干预提供实时数据支撑。

基于GRNN的可穿戴式脑电仪EEG疲劳检测

针对单电极可穿戴式脑电仪的脑电波信号(EEG)的疲劳状态智能识别,进行了基于广义回归神经网络(GRNN)的疲劳状态检测的研究。首先,通过调查问卷调查用户主观疲劳量,结合疲劳检测手环实现EEG数据的疲劳等级标记以建立数据集;其次,采用数据清洗等方式实现数据预处理并提取数据的时域特征、频域特征;运用主元分析进行特征降维;然后,建立GRNN疲劳识别模型并计算识别准确率;同时以支持向量机(SVM)方法作为对比实验检验模型效果;最后,以建立好的GRNN模型进行疲劳检测。研究发现,GRNN模型下EEG疲劳状态识别准确率最高为88.1%,相比SVM模型更高,对于EEG的疲劳状态的检测具有更好的稳定性和区分度。

EEG-fMRI融合技术在静息态中的应用

静息态下大脑的自发脑活动规律,对理解其对认知活动的影响以及潜在临床应用具有重要意义。同时,由于EEG与f MRI各有其缺点,对探索脑活动有各自的限制。因此,EEG-f MRI融合技术通过结合两者的优势,具有高时间和空间分辨率的特点,能更全面地研究静息态下的脑活动机制。国内外的EEG-f MRI同时技术仍处于发展阶段,加上多模态分析有其难点,例如信号噪音因人而异难以去除、融合分析方法繁多复杂、实验限制太多等,使大多研究者对其望而却步。EEGf MRI同时技术在静息态下有不同的数据处理方法,包括特殊的伪迹去除以及数据的三种融合方法。在伪迹去除方面,梯度伪迹可以通过平均伪迹模板减法(AAS)和f MRI伪迹切片模板去除(FASTR)去除,而心电伪迹则可以通过平均伪迹模板减法(AAS)、最优基础选择(OBS)和独立成分分析(ICA)去除。在数据融合方面,总结出EEG与f MRI独立对比分析、EEG-informed f MRI和f MRI-infomed EEG三种方法;其中EEG-informed f MRI是较为常用的处理方法,一般利用EEG的三种信号指标与BOLD信号做相关分析,包括功率谱(Power Spectrum)、全脑域同步(Global Field Synchronization)和微状态(Microstate)。

基于感觉运动BCI系统的EEG手部运动分类

对于残疾人或者运动不便的健全人,感觉运动相关的BCI(Brain Computer Interface)系统是十分必要的。BCI系统的关键部分是对EEG(Eletroencepalograph)信号的采集、提取和分类。本文研究的是手部三种动作在运动执行的情况下,人脑产生的EEG信号的不同。利用EEG信号在运动时发生于大脑感觉运动皮层区域的ERS(Event-Related Synchronization)和ERD(Event-Related Desynchronization)现象,运用EMD(Empirical Mode Decomposition)等算法进行信号的特征提取,然后进行分类,得出了平均准确率为78.75%的良好结果。此次研究提供了一种基于EMD新的有效的运动相关BCI系统研发中的EEG信号的特征提取算法。

偏最小二乘回归模型在EEG特征选择的应用

为了克服主成分分析(PCA)对共空间模式(CSP)提取脑电信号特征进行降维时,仅考虑主成分对输入变量的表征能力,而忽略了对输出变量进行解释的这一个缺点,提出偏最小二乘回归(PLS)进行降维,通过CSP对数据增强后的信号进行特征提取,采用PLS进行降维,将提取的主成分信息包含对因变量解释程度高的特征作为特征向量,使用PSO-SVM进行分类,用2005 BCI竞赛的数据集IIIa进行分类测试,结果得到3位被试的想象运动平均分类正确率91.71%,通过与CSP-LDS、WL-CSP和CSP等算法的比较,3位被试的平均分类正确率最高,验证了该算法的有效性。

用于脑电数据增强和情绪识别的自注意力GAN

针对脑电信号(electroencephalogram,EEG)情绪识别中数据稀缺及由此导致的情感分类精度不高的问题,提出了一个引入自注意力机制的条件Wasserstein生成对抗网络(SA-cWGAN),通过自注意力模块从训练数据学习长时上下文相关的全局特征,采用Wasserstein距离和梯度惩罚的Lipschitz约束对网络的损失函数进行优化,进而生成高质量的EEG数据对原有训练集进行增强。所提方法分别在DEAP和SEED数据集上进行了大量的二分类和三分类对比实验,生成了与EEG训练数据分布接近的微分熵(DE)和功率谱密度(PSD)特征,以此来增强EEG训练数据集,采用SVM分类器对增强后的EEG特征进行情绪分类。实验结果表明,在DEAP数据集上的唤醒度和效价维度下,增强后的DE、PSD特征较原有DE、PSD特征二分类准确率分别提高了16.63、17.55个百分点和6.48、8.34个百分点;在SEED数据集下,三分类准确率分别提高了4.64、5.18个百分点,证明所提方法生成的特征具有良好的鲁棒性,也表明通过对GAN网络引入自注意力机制生成的特征增强原有训练数据集能够有效提高EEG情绪识别的准确率和稳定性。

脑电结合行为指标的汽车内饰色彩感性评价

为准确获取用户对色彩感性的评价信息,提高汽车内饰设计的成功率与效率,引入脑电技术,在解析用户的内隐感性信息基础上,对汽车内饰色彩样本进行感性评价研究。首先收集与汽车内饰色彩相关的形容词汇,通过聚类分析获得代表性意象词汇。其次由汽车内饰图片归纳出内饰代表性色相及其空间布局,两两组合形成新内饰色彩样本。接着,内饰色彩样本与代表性词汇建立基于脑电的感性认知实验,并实施感性评价实验。然后,将收集的原始脑电数据与行为数据进行异常值剔除与正向归一化处理,获取标准化数据。最后基于标准化数据应用熵权TOPSIS法,为不同指标进行赋权,并计算样本与意象之间的相对贴近度,得出不同意象下的最佳色彩样本排序。排序结果经专家小组讨论证明客观指标筛选出的方案具有有效性,可作为汽车内饰色彩设计的设计参考。

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。

认知神经科学视角下冬奥心理科技攻关服务新体系的构建与应用

在“科技冬奥”理念指导下,通过文献梳理、理论推理、实践应用探究认知神经科学视角下的冬奥心理科技攻关服务。认为:①冬奥心理科技攻关服务以“提升赛时运动表现稳定性”为目标,融合认知神经科学技术和心理服务,具有量化运动表现神经活动、预警赛前心理风险、调控赛时心理能力等特征;②其基于动作控制的基本原理,利用认知神经科学技术,大数据、人工智能等算法,实现对心理服务效益的量化、迭代和实时监测;③其以移动脑电和无线传输为载体,通过编码接口和服务平台拟合多维度、多模态的生理、心理数据,动态化监控和调整运动员心理状态。冬奥心理科技攻关服务正在实现从实践经验向数据驱动导向的迭代发展,为提升心理服务的精准性和高效性,助力运动员赛时的稳定发挥开辟新思路。

基于数据空间自适应与共空间模式的脑电情感分类

为缓解日间脑电信号波动和差异导致情感分类性能下降的问题,在数据空间自适应(DSA)与共空间模式(CSP)迭代的基础上,提出一种用于脑电情感分类的特征提取算法。针对12个受试者连续5 d的情感脑电信号,采用DSA算法对脑电信号进行空间线性变换,再使用CSP将脑电信号变换到最优子空间,提取日间差异最小且类间差异最大的脑电功率谱密度特征及微分偏侧与差异因果特征。实验结果表明,该算法能提高脑电信号情感分类的准确率和稳定性。