酒精脑电信号降维去噪方法的研究

脑电信号数据维度高,且极易受到噪声干扰。除环境噪声干扰外,自身伪迹干扰对脑电的影响更严重,因此,对采集到的原始数据进行去噪处理是有必要的。常见的脑电去噪方法 (如FastICA、奇异性检测、差分谱法等)并不适用于采样点数有限的酒精脑电去噪,经过实验,去噪后的酒精脑电信号特征损失严重。针对酒精脑电数据特点在传统脑电信号预处理方法的基础上,提出了一种基于主成分分析算法(Principal components analysis,PCA)和奇异值迭代分解法(Singular Value Decomposition,SVD)相结合的方法对酒精脑电信号进行去噪。通过PCA算法成功将64维脑电信号降至15维,减少了脑电信号处理的计算量,对提取的主成分进行4次奇异值迭代分解,达到了对脑电信号去噪的同时保留了更多信号特征的目的。     

基于GA-BP网络的脑电与心电融合疲劳识别算法研究

针对脑电信息在识别疲劳时不能完全反应疲劳状态和传统BP神经网络识别率低的问题,提出了一种基于改进GA-BP神经网络的脑电信号与心电信号融合的疲劳识别算法,运用到单兵精神疲劳状态的预测.首先,利用无线数据采集装置进行脑电和心电的数据采集.然后,对生物电数据进行伪迹去除和噪声滤波的数据预处理,利用小波包变换和Pan-Tompkins算法分别对脑电和心电数据进行特征提取,再将高维特征数据进行PCA降维来加快网络的学习速度.最后,将遗传算法优化后的改进BP神经网络参数作为其初始权重和阈值进行疲劳预测.疲劳实验对30位受试者的疲劳状态进行了识别预测,结果表明:融合了两种生物电信号的改进GA-BP网络模型的识别正确率为90.8%,优于传统BP神经网络和支持向量机的识别率.     

基于ICA和相关性分析的脑电信号眨眼伪迹去除

眨眼伪迹是脑电信号采集过程中的常见噪声,严重影响其有用信息的提取。该文尝试采用独立成分分析中的快速算法分离脑电信号中的各个独立分量,并通过相关性分析自动识别独立分量中的眨眼伪迹干扰并去除。研究结果表明该方法能有效识别和去除眨眼伪迹,在脑电信号的处理中有重要应用价值,值得深入研究和推广。     

基于CNN脑电信号伪迹检测与去除的EEMD方法

为了去除在脑电信号采集过程中受到的干扰,在传统方法的基础之上,提出了一种基于卷积神经网络(CNN)脑电信号伪迹检测与去除的方法。该方法通过CNN模型对脑电信号电压幅值计算后的特征进行提取,完成Softmax分类器对脑电信号的检测分类。采用EEMD算法将含噪脑电信号分解为若干个本征模式函数IMF分量,通过Hilbert特征法提取出噪声占主导的高频IMF分量,再由FastICA的方法将剩余信号分离,达到眼电伪迹的去除。实验表明,CNN方法检测准确率高达80%以上,CNN与EEMD的结合提高了脑电信号伪迹去除的有效性。     

一种基于盲源分离的眼电伪迹自动去除方法

为解决传统盲源分离算法(BSS)用于眼电伪迹去除大都存在伪迹过估计、需要人为辨别伪迹成分而不适合在线应用的不足,提出一种基于BSS算法的眼电伪迹自动去除方法.利用BSS算法对脑电信号进行分离得到独立成分,以相关系数作为判据,针对垂直眼电(VEOG)和水平眼电(HEOG)的各自特点确定不同的时间窗,寻找最优成分组合标定眨眼或眼动活动发生的时域区间,将找到的存在伪迹的成分区间置零并重建脑电(EEG)信号.通过真实P300脑电数据实验的结果表明:该方法能有效地自动去除眼电伪迹,且处理过程简单易行,克服了眼电伪迹过估计等问题.算法重建EEG信号与原始脑电(EEG)信号的平均相关系数分别从0.851 3和0.900 6提高到0.923 7,而均方误差分别减少了19.3%和16.6%,适合在线应用.     

基于卡尔曼滤波的ECoG信号去噪方法研究

脑电信号反映了生物体的大脑活动,在采集和处理过程中极易受到各种噪声的干扰,如眨眼、快速眼动、心电、肌电等,这些噪声给脑电信号的分析处理带来了很大的困难。本文提出了卡尔曼滤波模型和模型参数估计的方法,将其应用于脑电ECoG信号去噪预处理。实验所用的数据是公开的脑机接口竞赛实验数据（BCI Competition Ⅲ dataset Ⅰ）,分类正确率为92%。实验结果表明通过本方法去噪预处理后,分类正确率比竞赛第一名高,并且优于小波去噪与谱减法等预处理方法。     

ICA及其在消除心电信号中肌电伪迹的应用

针对肌电干扰容易在心电信号中产生伪迹,在特殊身体条件下尤其明显,这一现象提出基于最大似然估计(MLE)的独立分量分析(ICA)方法来消除心电信号中的肌电伪迹.建立了基于最大似然估计的目标函数,研究了用于目标函数优化的固定点迭代算法,给出了ICA的具体实现步骤,实现了对所有独立分量的并行同步提取.最后引人了相空间理论衡量股电伪迹的消除效果.结果表明,利用独立分量分析有效地实现了心电信号中肌电伪迹的消除.     

基于共空间模式的运动想象脑电信号识别研究

脑-机接口技术领域的关键问题是脑电信号的分类识别研究.本文针对脑电信号的分类问题,基于EGI-64导脑电采集系统得到7名被试者的左右手运动想象脑电数据,首先采用扩展Infomax-ICA方法对脑电数据进行去噪处理;然后利用共空间模式方法对C3/C42个电极的脑电信号进行特征提取;最后比较了Fisher线性判别分析法、贝叶斯方法、径向神经网络和BP神经网络几种算法的平均分类率.结果表明:神经网络分类方法得到的平均分类率要高于其他2种方法,而BP神经网络方法的平均分类率最高,可以达到95.36%,但另外3种方法的运行速度明显高于BP神经网络.该结果为实时BCI系统实施提供了一定依据.     

P300信号分类的多样本融合支持向量机算法

脑电信号是大脑受到自发或诱发刺激所产生的一种变化的脑电活动,利用结合了多样本融合思想的支持向量机（SVM）算法,在不同受试者的多样本数据上对诱发脑电信号中的P300信号进行了分类识别。首先对实验数据进行预处理和特征提取,然后利用SVM算法训练分类模型,最后通过融合多个样本的预测结果对测试数据的P300信号进行识别。结果表明,相比单样本SVM算法该方法对检测数据有较高的分类准确率,能够成为P300脑电信号预测的较好方法,具有应用前景。     

基于脑电信号的报警系统的设计

为有运动功能障碍的残疾人和老年人设计1款基于脑机接口技术的脑电报警系统,本设计通过TGAM内核采集模块对脑电信号进行采集,并编码得出脑电原始信号,经蓝牙HC-05将原始信号传输到微处理器STM32进行分析处理得到报警信号,通过LED灯的亮暗程度及蜂鸣器发出的声响进行报警。测试结果表明,该系统可以提取脑电波信息并控制报警系统。