改进的半监督聚类在MEG脑机接口中的应用

脑磁信号(MEG)作为一种新的脑机接口(BCI)输入信号,含有手运动方向的模式信息。鉴于半监督聚类融合了训练数据先验知识的优势,提出一种基于训练中心的半监督模糊聚类算法。该算法分为降维和改进的半监督聚类,采用主成分分析和线性判别分析将高维数据降到低维,改进的半监督聚类在对训练数据进行模糊聚类的基础上,将得到的聚类中心加权到测试数据聚类过程中,以增加测试数据聚类中心的鲁棒性。结果表明,该算法识别率较高,平均识别率达到了55.1%,优于BCI竞赛Ⅳ的最好结果46.9%。

基于CSP与WPD算法的脑磁信号特征提取研究

针对两类人(精神病患者和正常人)的静息态脑磁信号(MEG)的分类问题,提出一种小波包分解(WPD)和共空间模式(CSP)相结合的特征提取方法。利用小波包对训练集的多路脑磁信号进行分解,再利用共空间模式算法对不同分解层子带的脑磁信号进行特征提取,使用经典的K近邻算法进行特征值分类。仿真实验结果表明,使用低频段(0Hz^4.7Hz)的脑磁信号进行CSP分解,选择5个特征值进行分类,可以得到高达91.7%的正确率。实验证明该方法提取的特征比较明显,是脑磁信号特征提取的新思路。