一种基于时-空-频联合选择与相关向量机的运动想象脑电信号分析算法

研究表明:不同受试者由于个体差异,会引起在执行相同运动想象任务时,产生与受试者关联的特定脑电信号特征,这是设计脑机接口系统面临的一个实际问题.为解决这个问题,本文提出了一种基于时–空–频联合特征的提取方法.首先,对原始118导联的EEG进行空间特征分析,从中提取出与运动想象相关脑区对应的55导联EEG信号.进一步,在训练集上,通过7–折交叉验证,训练出与受试者匹配的时间窗和频带.其次,利用8个共空域滤波器进行特征提取.最后,将获得基于样本的运动想象特征,采用相关向量机进行分类.仿真结果表明:该算法在第3届脑机接口竞赛数据集Data IVa分类上获得5位受试者平均分类精度为94.49%,结果优于当年第1名94.17%.此外,与其他3种常用的方法比较亦具有明显优势.本文提出的基于样本的时–空–频特征提取方法和相关向量机的结合,该算法整体性能优越,为基于运动想象的脑机接口在线系统设计提供了一种新方法.

基于降噪自编码神经网络的事件相关电位脑电信号分析方法

提出一种基于降噪自编码神经网络事件相关电位分析方法,首先建立3层神经网络结构,利用降噪自编码对神经网络进行初始化,实现了降噪自编码深度学习模型的无监督学习.从无标签数据中自动学习数据特征,通过优化模型训练得到的权值作为神经网络初始化参数.其次,经过有标签的样本进行网络参数的微调即可完成对神经网络的训练,该方法有效解决了神经网络训练中因随机选择初始化参数,而导致网络易陷入局部极小的缺陷.最后,利用上述神经网络对第3届脑机接口竞赛数据集Data set Ⅱ(事件相关电位脑电信号)进行分类分析.实验结果表明:利用降噪自编码迭代2500次训练神经网络模型,在受试者A和受试者B样本数据叠加5次、10次、15次3种情况下获得的分类准确率分别为73.4%, 87.4%和97.2%.该最高准确率优于其他分类方法,比竞赛第1名联合支持向量机(SVM)分类器(ESVM)提高了0.7%,为事件相关电位脑电信号提供了一种深度学习分析方法.

基于单试验脑电图的n-back任务中的脑力负荷分类（英文）

近年来,脑力负荷估计已经经历了广泛的研究,因为监测认知负荷的能力能够防止认知超负荷并且改善工作场所安全。脑电图(EEG)信号已经被发现是一种客观和非侵入性的脑力负荷的测量方式。然而,作为实时脑力负荷监测和脑机接口研究的重要一步,基于单试验EEG数据的认知负荷的评估一直是一个重大的挑战。最近,许多高级的特征提取方法和机器学习算法已经被采用于基于EEG的脑力负荷评估中。在本研究中,使用在具有2个难度水平的n-back任务的执行期间记录的EEG数据进行了单试验脑力负荷分类,测试了3种类型的特征提取的有效性(谱功率、离散小波变换和公共空间滤波),并评估了4种分类算法的性能(支持向量机、K-近邻、随机森林和梯度推进分类器)。研究结果表明,公共空间滤波是性能最好的基于单试验的脑力负荷分类的特征提取方法,而且最佳性能可以通过将来自谱功率或离散小波变换的特征与来自公共空间滤波的特征相结合,并采用随机森林分类器来实现。这项研究可能对基于单试验脑电图数据的脑力负荷评估中的特征提取方法以及机器学习算法的选择提供一些有用的指导。