基于脑功能网络和样本熵的脑电信号特征提取

针对脑-机接口(BCI)研究中采用单一特征对运动想象脑电信号(EEG)识别率不高的问题,该文提出一种结合脑功能网络和样本熵的特征提取方法.根据事件相关同步/去同步(ERS/ERD)现象以及皮层与肢体运动想象间的对侧映射机制,选取小波包变换消噪重构后的μ节律脑电信号,用左侧27个通道、右侧27个通道分别对左半球脑区和右半球脑区构建脑功能网络,计算网络的平均节点度和平均聚集系数作为运动想象的脑功能网络特征,并结合C3,C4通道μ节律的样本熵构筑分布性和指向性相结合的特征向量.选用支持向量机(SVM)对左右手运动想象脑电信号进行分类,结果表明基于脑功能网络和样本熵的特征提取方法能够实现更优的分类效果,分类准确率最高可达90.27％.     

Keccak类S盒的线性性质研究

该文将Keccak的S盒一般化为n元Keccak类S盒，研究了Keccak类S盒的线性性质。证明了这类S盒的相关优势的取值都为0或\begin{document}${2^{ - k}}$\end{document}，其中且，并且对于此范围内的任意k，都存在输入输出掩码使得相关优势取到；证明了当输出掩码确定时，其非平凡相关优势都相等；给出了非平凡相关优势为最大值时的充要条件与计数，解决了这类S盒的Walsh谱分布规律问题。     

基于航迹矢量检测的雷达与电子支援设施抗差关联算法

针对雷达与电子支援设施(ESM)存在系统误差、上报目标不完全一致等复杂场景下目标航迹关联问题,该文基于高斯随机矢量统计特性,提出一种基于航迹矢量检测的雷达与ESM航迹抗差关联算法。首先在修正极坐标系(MPC)下推导目标状态估计分解方程,采用真实状态对消的方法得到航迹矢量,为剔除大部分非同源目标航迹,构建方位角变化率-距离变化率与距离比(ITG)统计量进行粗关联,然后采用基于航迹矢量\begin{document}${\chi ^2}$\end{document}检验的方法实现雷达与ESM的航迹关联。最后通过实验仿真验证了该文算法在不同系统误差、目标密度、检测概率等环境下的有效性。     

一种基于正交调制的新型降噪差分混沌键控系统

针对降噪差分混沌键控(NR-DCSK)传输速率低的缺点,该文提出一种基于正交调制的新型降噪差分混沌键控(QM-NRDCSK)系统。发生器产生两路混沌序列,每一路的参考信号是信息承载信号的\begin{document}$P$\end{document}次重复,不同用户信息通过不同时隙区分,两路信号使用正交调制在相同频带上传输。接收端通过滑动平均滤波器对每一路的参考信号进行次平均后与信息信号进行非相干解调。通过在AWGN和多径Rayleigh衰落信道下的仿真,验证了理论推导的正确性,并表明该系统在具有较高频谱利用率的同时,能有效提高传输速率且拥有较好的误码性能。     

基于多通道最小均方算法的多发单收同车电台射频干扰对消

战术指挥车内多部电台同时工作,发射电台将对接收电台产生严重的互扰。针对上述问题,该文提出基于多通道最小均方算法(MCLMS)的多发单收同车电台射频干扰对消方法。首先,分析同车电台N 发M 收情况可分离为M个N发单收场景的叠加,进而建立多发单收射频干扰对消模型。在此基础上,提出基于MCLMS算法的射频干扰对消方法,并理论分析该对消方法的性能,推导得出互扰对消比(MICR)与发射电台数目N、收敛因子\begin{document}$\mu $\end{document}之间的闭合数学表达式。最后,通过仿真验证了理论结果的正确性,表明该方法能够有效抑制同车发射电台对接收电台的互扰影响,增强指挥车电磁兼容性。     

一种类箕舌线函数的变步长归一化自适应滤波算法

在综合考虑自适应滤波算法设计中收敛速度、稳态误差、计算复杂度和跟踪性能等指标的基础上,该文提出一种类箕舌线函数的变步长归一化自适应滤波算法,用类箕舌线函数代替Sigmoid函数作为步长迭代公式,引入基于相关误差的变步长调整原则,在大大增强算法稳定性的同时大幅度提升了算法的收敛速度、跟踪性能,减小了算法的计算复杂度。在Matlab平台上分析了改进的步长函数中参数\begin{document}$\alpha $\end{document},以及的不同取值对算法的影响,并将该文算法与已有的基于Sigmoid函数和基于箕舌线函数的变步长LMS算法进行了比较,仿真结果表明,该文算法有更快的收敛速度、更好的跟踪能力以及较小的稳态误差和较强的鲁棒性。     

左右手运动想象脑电信号的特征分析1

针对运动想象的两种思维任务的脑电信号,本文提出了一种基于能量的特征提取方法。该方法利用想象运动中,脑电信号Mu/Beta节律事件相关同步化/去同步化特性,采用BCI2003竞赛数据,对C3/C4通道脑电信号进行时域分析,分析得到特征较为明显的脑电信号时间段。     

基于信道定价的无线虚拟网络资源分配策略:匹配/Stackelberg分层博弈

针对分层匹配博弈不能跟踪信道变化以及循环迭代收敛慢等问题,该文提出一种基于信道定价的无线虚拟网络资源分配策略:匹配/Stackelberg分层博弈。分别以基于流带宽的用户满意度、系统带宽及切片功率作为报酬函数建立3级联合优化模型,并采用匹配/Stackelberg分层博弈求解。在博弈下层,定义移动虚拟网络操作者(MVNOs)m—切片n对m_n及其与用户(UEs)的1对1匹配博弈以代替UEs与MVNOs的多对1匹配,对\begin{document}${m_n}$\end{document}定义基于信道平均信息的切片功率价格,加速上、下一致收敛并使UEs适应信道选择最优,证明均衡点存在并给出了低复杂度的分布式拒绝-接收算法;在博弈上层,基于UEs与已匹配关系,形成基础资源提供者(InPs)与的Stackelberg博弈,给出了基于局部信道信息的功率定价和分配策略,使系统效用及频谱效率基于信道最优。最后定义了双层循环稳定条件及过程。仿真表明,该策略在信道跟踪、频谱效率、效用方面均优于随机定价的匹配/Stackelberg分层博弈以及传统分层匹配博弈。     

基于小波变换的运动想象脑电信号分类

在脑-机接口的研究中,针对运动想象的两种思维任务的脑电信号的特征提取,提出了一种基于小波包变换的特征提取方法。该方法利用想象运动中,脑电信号Mu/Beta节律事件相关同步化/去同步化特性,采用BCI2003竞赛数据,输入Matlab的Classify分类函数进行分类,正确率达到88.57%。     

基于稀疏感知有序干扰消除的大规模机器类通信系统多用户检测

在大规模机器类通信(mMTC)系统中,以用户活跃性为先验信息,接收机可以基于稀疏感知最大后验概率(S-MAP)准则来检测多用户信号。为了降低S-MAP检测的计算复杂度,基于干扰消除的思想,该文提出一种改进的活跃性感知有序正交三角分解(IA-SQRD)算法,以适用于mMTC系统上行链路多用户信号检测。IA-SQRD算法将传统的活跃性感知有序正交三角分解(A-SQRD)算法的最终解作为初始解,并额外增加迭代干扰消除操作,以进一步提高检测性能。此外,利用与改进A-SQRD算法相似的思路,该文对稀疏感知串行干扰消除(SA-SIC)、有序正交三角分解(SQRD)及数据相关的排序和正则化(DDS)算法亦进行了改进设计,分别获得了相应的改进型算法,即ISA-SIC、I-SQRD及I-DDS算法。仿真结果表明:相对于A-SQRD算法,在未显著增加计算复杂度的情况下,在系统误比特率(BER)为\begin{document}$2.5 \times {10^{ - 2}}$\end{document}时,该文所提IA-SQRD算法可取得3 dB性能增益;并且,对于不同的活跃概率或扩频序列长度等参数配置下的mMTC系统,IA-SQRD算法相对于其它算法均表现出更优良的多用户检测性能。     

Support vector channel selection in BCI

Designing a brain computer interface (BCI) system one can choose from a variety of features that may be useful for classifying brain activity during a mental task. For the special case of classifying electroencephalogram (EEG) signals we propose the usage of the state of the art feature selection algorithms Recursive Feature Elimination and Zero-Norm Optimization which are based on the training of support vector machines (SVM). These algorithms can provide more accurate solutions than standard filter methods for feature selection. We adapt the methods for the purpose of selecting EEG channels. For a motor imagery paradigm we show that the number of used channels can be reduced significantly without increasing the classification error. The resulting best channels agree well with the expected underlying cortical activity patterns during the mental tasks. Furthermore we show how time dependent task specific information can be visualized.     

BCI Competition 2003--Data set III: probabilistic modeling of sensorimotor mu rhythms for classification of imaginary hand movements

Brain-computer interfaces require effective online processing of electroencephalogram (EEG) measurements, e.g., as a part of feedback systems. We present an algorithm for single-trial online classification of imaginary left and right hand movements, based on time-frequency information derived from filtering EEG wideband raw data with causal Morlet wavelets, which are adapted to individual EEG spectra. Since imaginary hand movements lead to perturbations of the ongoing pericentral mu rhythm, we estimate probabilistic models for amplitude modulation in lower (10 Hz) and upper (20 Hz) frequency bands over the sensorimotor hand cortices both contra- and ipsilaterally to the imagined movements (i.e., at EEG channels C3 and C4). We use an integrative approach to accumulate over time evidence for the subject's unknown motor intention. Disclosure of test data labels after the competition showed this approach to succeed with an error rate as low as 10.7%.     

基于感兴趣脑区LASSO-Granger因果关系的脑电特征提取算法

该文将脑功能网络引入到脑电特征提取的研究中,提出一种基于感兴趣脑区LASSO-Granger因果关系的新方法,克服了当前基于孤立脑区的研究方法的不足。先利用主成分分析提取各感兴趣区的最大主成分,然后计算它们之间的LASSO-Granger因果度量,并将其作为特征向量,最后输入支持向量机分类器,对BCI Competition IV dataset 1中的4组数据进行分类识别。结果表明,基于感兴趣脑区间LASSO-Granger因果关系分析和支持向量机分类器的方法对不同的运动想象任务识别率较高,提供了新的研究思路。     

Asymmetric hemisphere modeling in an offline brain-computerinterface

Classification of the electroencephalogram (EEG) during motor imagery of the left or right hand can be performed using a classifier comprising two hidden Markov models (HMMs) describing the spatio-temporal patterns related to the imagination. Due to the known asymmetries during motor imagery of rightand left-hand movement, an HMM-based classifier allowing asymmetrical structures is introduced. The comparison between such a system and a symmetrical one is based on the error rate of classification. The results for EEG data collected during 20 sessions from five subjects demonstrate a significant improvement of 9% for the classification accuracy for the asymmetric classifiers. The selection of the DAM for classification is done using a variant of genetic algorithms (GAs); namely, the adaptive reservoir genetic algorithm (ARGA)     

Motor Imagery EEG Fuzzy Fusion of Multiple Classification

Due to the volume conduction, electroencephalogram (EEG) gives a rather blurred image of brain activities. It is a challenge for generating satisfactory performance with EEG. This paper studies the multiple areas fusion of EEG classifiers to improve the motor imagery EEG classification performance. Two feature extraction methods are employed to extract the feature from three different areas of EEG. One is power spectral density (PSD), and the other is common spatial patterns (CSP). Classifiers are designed based on the well-known linear discrimination analysis (LDA). The fusion of the individual classifiers is realized by means of the Choquet fuzzy integral. It is demonstrated that the proposed method comes with better performance compared with the individual classifier.     

低频光诱发脑电θ波段近似熵特征研究

采用近似熵算法得到19名健康志愿者在5Hz频率的光(每秒光重复诱发5次)诱发前后的脑电(EEG)θ波段近似熵值(Apenθ),经T-检验(P<0.05)发现光诱发后Apenθ值显著下降,其中在顶部、前额、颞部和枕部位置有显著性变化,颞部和枕部变化最大,左右半脑平均Apenθ均减少,右脑区更为显著。结果表明Apenθ能够描述外部光诱发情况下的EEG波段特征,并定量给出外部光诱发程度。     

基于有记忆递归神经网络的脑电特征情感识别研究

为了提高脑电信号多分类的情感识别率,文中选用上海交通大学提供的SEED脑电信号数据集,对其进行分频带特征提取。将脑电数据的微分熵特征、微分不对称性特征和有理不对称性特征通过线性动力系统平滑特征后,与功率谱密度特征进行分类效果比较,再利用有记忆递归神经网络的方法进行分类,发现提取的微分熵特征经过分类的效果好。在对3种情感进行分类的过程中,采用长短时记忆神经网络分类相比于其他机器学习方法识别率有所提高,情感识别的平均准确率可达到95.045 9%。     

基于信号投影能量特征的脑电意识动态分类

针对脑电意识任务动态分类问题,本文提出了一种基于投影能量的特征提取方法来提取反映不同思维状态的脑电特征,并结合信息累积后验贝叶斯方法进行分类以提高脑-机接口系统的分类正确率。该方法通过使两类信号在投影基上的平均投影能量比达到极值,从而达到提高脑电信号分类准确度的作用。实验结果表明两个运动想象数据集上的最大正确率都达到90%左右,最大分类准确率、kappa系数和最大互信息等评价指标的比较也表明该方法能够有效提高BCI系统的性能,具有较好的实用性。     

基于希尔伯特边际谱和极限学习机的癫痫脑电信号分类

提出了一种基于希尔伯特边际谱和极限学习机相结合的癫痫脑电信号分类方法.首先将脑电信号进行经验模态分解,对前5个本征模态函数进行希尔伯特变换,得到其希尔伯特边际谱;然后将希尔伯特边际谱的Shannon熵、Renyi熵和Tsallis熵,以及5个不同频段节律信号的能量作为有效特征输入极限学习机进行分类.实验结果表明,本文方法对癫痫信号的分类准确率达到了99.8％,相比其它分类方法具有更高的检测精度和运算速度,对癫痫发作的实时检测具有潜在的应用价值.     

Research on recognition of O-MI based on CNN combined with SST and LSTM

Recognition algorithms have been widely used in brain computer interface (BCI) for neural paradigms classification. To improve the classification and recognition effect of motor imagery with motor observation (O-MI) in BCI rehabilitation technology, this paper explores the function of convolutional neural network (CNN) combined with synchrosqueezed wavelet transform (SST) and long short-term memory (LSTM) in the recognition and classification of neural activities in the brain motor area. Combining the advantages of SST in signal feature extraction in the pretreatment stage and the ability of LSTM network in time series information modeling, the purpose is to make up for CNN''s shortcomings in both aspects. This paper verifies the algorithm on the self-collected O-MI experimental datasets and the public datasets (BCI competition IV datasets 2a). The results show that the composite CNN algorithm incorporating SST and LSTM achieves higher classification accuracy than classic algorithms and the similar new method which is CNN combined with discrete wavelet transform (DWT) and power spectral density (PSD), so it is convenient for practical application in O-MI BCI system.