单通道脑电信号中眼电干扰的自动分离方法

当前主流的眼电(EOG)去除方法需要利用多通道脑电的相关性,难以在单通道的便携式脑机接口(BCI)中应用。该文提出一种基于长时差分振幅包络与小波变换的眼电干扰自动分离方法。首先在原脑电信号的长时差分振幅包络上实施双门限法来精确检测眼电的起止点,然后利用sym5小波对脑电进行分解并引进Birgé_Massart策略来自适应地确定小波重构系数阈值,最后通过小波重构精确地估计眼电,实现单通道上眼电与脑电的自动分离。大量实验证明,该方法与主流的平均伪迹回归分析和基于独立成分分析(ICA)的方法相比,能够获得更好的估计眼电与原眼电的相关性,保证更高的校正信噪比和较强的实时性,能够满足脑机接口多方面的需要。

基于DIVA模型的脑电信号去噪方法研究

脑电信号获取过程中,工频噪声干扰现象往往会使所获取的信息产生多种多形态瞬时结构波形,这种现象影响到DIVA(Directions Into Velocities of Articulators)模型对语音的正常处理.为此,本文提出了一种面向特征提取的脑电信号结构自适应稀疏分解模型,并在此基础上,通过采用匹配追踪算法求解最佳原子、使用过完备原子库中原子表示原始脑电信号等方法,实现了信号去噪的目的,效果好于传统的小波变换去噪方法.仿真实验表明,本文提出的方法提高了DIVA模型语音发音的精度.

脑电数据近似熵与样本熵特征对比研究

近似熵和样本熵均是量化时间序列复杂性的重要指标,通过两组数据集讨论近似熵与样本熵哪种更适合作为脑电特征。实验结果表明,样本熵作为特征比近似熵能更恰当反映情绪活动存在的差异,差异电极主要集中在大脑前额;以样本熵为分类特征识别嗜酒成瘾者与正常人的平均准确率为80.25%,高于近似熵为分类特征的74.25%,且样本熵算法的计算时间比近似熵算法几乎节约一半。相对于近似熵来说,样本熵更适合作为脑电特征。

高精度微弱脑电检测数模混合控制芯片系统

针对脑电检测的研究需要,研发了微弱EEG脑电信号采集专用芯片系统。该芯片使用斩波稳定去噪声技术,首先利用2 k Hz的斩波频率对100 Hz以下的EEG信号进行频域隔离,然后利用RRL纹波抑制环路反馈进行调制后位于chopper频率处的主要由失调与低频1/f闪烁噪声引起的纹波电压的抑制;单级斩波放大使用电流复用、亚阈值跨导增强技术对来自EEG传感器的低频（〈100 Hz）小信号（5~100μV）进行40 d B增益的稳定中频放大;级联S/H电路进行去累积毛刺滤波,配合前面斩波技术,达到整体低噪声性能;VGA/LPF通过改变输入、反馈/负载电容,分别进行增益/带宽的数字调整。EEG-DSP加速芯片实现对多通道采集的控制以及信号处理编码。设计使用SMICRF 180 nm混合工艺,使用Cadence的Spectre软件进行功能前/后仿真,使用Caliber工具进行DRC/LVS的版图验收。最后,对设计芯片进行实际测试,结果表明放大芯片关键性能为：8.1μW/通道、面积6.3 mm2/8通道、0.8μVrms（BW=100 Hz）等效输入噪声;该款自主研发的脑电斩波放大芯片性能达到国内外前列的水平,可进行正确的脑电EEG采集,可应用于可穿戴领域、对后续脑电数据分析具有重要的使用价值。

基于条件经验模式分解和串并行CNN的脑电信号识别

针对运动想象脑电信号(EEG)的非线性、非平稳特点,该文提出一种结合条件经验模式分解(CEMD)和串并行卷积神经网络(SPCNN)的脑电信号识别方法。在CEMD过程中,采用各阶固有模式分量(IMF)与原始信号的相关性系数作为第1个IMF筛选条件,在此基础上,提出各阶IMF之间的相对能量占有率作为第2个IMF筛选条件。此外,为了考虑脑电信号各个通道之间的特征和突出每个通道内的特征,该文提出SPCNN网络模型对进行CEMD过程后的脑电信号进行分类。实验结果表明,在自行采集的脑电数据集上平均识别率达到94.58%。在公开数据集BCI competition Ⅳ 2b上平均识别率达到82.13%,比卷积神经网络提高了3.85%。最后,在自行设计的智能轮椅脑电控制平台上进行了轮椅前进、左转和右转在线控制实验,验证了该文算法对脑电信号识别的有效性。

特征融合实现脑电信号情感分析

由于脑电信号具有非平稳、微弱、频段差异大的特点,在处理过程中难以获得较好的识别精度。为了提高脑电情感分析的性能,从特征提取和特征选择两个方面进行了探讨。在特征提取方面,在功率谱强度的基础上采用改进的平衡功率谱强度特征;在特征选择方面,提出一种特征融合算法,充分利用Relief和mRMR两种方法各自的优势,在提高识别性能的同时大幅度地降低了特征维度。采用支持向量机分类算法,在DEAP数据集上进行了实验。结果表明,相比于功率谱强度,平衡功率谱强度的分类准确率平均提高了6.22%,特征融合算法选择的特征相比于基线提高了3.90分,相比于Relief提高了1.84分,相比于mRMR提高了2.05分。基于平衡功率谱强度的特征融合算法,不仅其整体性能提升了,且其平均识别准确率在Valence维度上达到88.89%,在Arousal维度上达到87.73%,同时平均特征维度从160维减少至67维。

基于脑机接口的智能家居控制系统

为实现家居系统的智能控制,提出一种基于脑机接口、脑电信号识别分类和增强现实(AR:Augmented Reality)的解决方案。通过佩戴设备收集提取脑电图(EEG:Electro Encephalo Gram)信号,对数据使用小波变换去噪并利用短时傅立叶变换进一步处理,利用主成分分析(PCA:Principal Component Analysis)进行降维和卷积神经网络(CNN:Convolutional Neural Network)进行分类,形成分类模型。根据分类结果得到大脑发出的指令,以此对家居进行控制,结合AR技术能使控制过程可视化且更具交互性,符合未来智能家居控制方法的发展趋势。

基于多模态信息融合的心理负荷评估

为了相对稳定地识别人员是否处于心理负荷状态,设计并实施含能材料起爆作业心理负荷诱导试验。首先对心理负荷诱导情况进行判断,然后分别采集27名被试在静息状态和实施含能材料撞击起爆作业状态下的眼动、心率变异性(HRV)和脑电信号(EEG),通过正态性检验和假设检验获得心理负荷表征指标并进行统计功效分析,依据表征指标,采用支持向量机(SVM)和随机森林(RF)算法建立多模态信息融合的心理负荷评估模型,最后采用被试工作特征曲线(ROC曲线)分析各模态组合和分类器的心理负荷识别性能。研究结果表明:双模态(眼动+EEG)下SVM算法和3模态下RF算法评估性能和稳健性较高,多模态信息组合具有优异的识别效果。