基于多参数公共空间频率模式算法的脑电特征提取

针对目前脑机接口中提取明显的脑电信号特征较难以及特征维数较多的缺陷,提出了一种多参数的公共空间频率模式CSSP(Common Spatio-Spectral Pattern)算法对脑电信号进行特征提取。该算法对不同通道的脑电信号采取不同的延时因子,增强了CSSP算法在频域上的滤波效果。在对2003年国际脑机接口BCI(Brain Computer Interface)竞赛的运动想象脑电识别中,利用多参数CSSP特征提取方法结合支持向量机SVM(Support Vector Machine)分类方法,在只提取两维特征的情况下,较公共空间模式CSP(Common Spatial Pattern)与CSSP算法,分类的正确率有了明显提高。同时,多参数的引入使该方法在特征提取上较CSP与CSSP算法具有更强的适用性。     

基于经验模态分解和SVM的脑电信号分类方法

脑电信号的非线性、非平稳性造成对运动想象脑电信号的分类识别存在特征提取困难、可区分性低以及分类识别性能差等问题。本文提出一种基于经验模态分解(Empirical Mode Decomposition, EMD)和支撑向量机(Support Vector Machine, SVM)的运动想象脑电信号分类方法,充分利用EMD算法在处理非线性、非平稳信号的自适应性以及SVM在小样本条件的高识别性能和强泛化能力。首先利用EMD算法将C3、C4导联信号分解为一系列本征模函数(Intrinsic Mode Function, IMF),然后从IMF的信息和能量等维度提取特征将脑电信号转换至区分性更强的特征域,最后利用SVM进行分类识别。采用国际BCI竞赛2003中的Graz数据进行验证,所提方法可以得到94.6%的正确识别率,为在线脑-机接口系统的研究提供了新的思路。     

基于多特征和BP神经网络的脑-机接口研究

研究了一种基于运动想象识别的脑-机接口(BCI)系统,通过提取想象过程中的脑电信号(EEG)中Alpha波特征,采用多特征分类的方法,以提高脑-机接口系统运动想象识别的正确率。针对脑电信号单特征分类精确度低、耗时长等缺点,采用自回归模型法、统计特征提取和频域分析的方法对Alpha波提取多个特征值,利用BP神经网络进行分类,对运动想象进行识别。通过实验验证了其识别率较高,取得了预期的效果,证明了多特征融合结合BP神经网络运用于脑机接口系统的可行性。     

基于事件关联电位脑机接口的电视遥控异步系统

本文设计了基于事件关联电位脑机接口的脑电信号预处理、特征提取、分类识别实时算法,开发了具有通讯功能的遥控器,实现了脑机接口电视遥控的异步系统.受试者可以用脑电波来遥控电视选择频道和调整音量,这为重症瘫痪病人拓展其与自然的直接交流开辟了新的通道.5位健康的受试者参与了训练实验和在线实验,实验结果表明经过特定的训练,受试者均可有效控制该脑机接口电视遥控系统,其统计平均准确率达87％,平均传输速率(ITR)达35 bits/min.     

基于脑肌电信号的机械臂控制方法与实现

针对脑-机接口目前存在的输入信息源单一、特征识别准确率低、输出控制指令少的问题,本文提出一种基于脑肌电信号的机械臂控制系统。首先对单侧手臂肌电信号和左右手运动想象脑电信号进行同步采集,然后分别进行特征提取和分类识别;并最终将分类模型应用于机械臂的多指令实时控制中。实验结果表明：20名被试者均实现了机械臂的多指令实时控制,且各动作识别准确率平均达到了95%以上。该系统模型丰富了混合脑-机接口的多样性,为脑-机接口在机械臂的控制应用提供了理论依据和实践基础。     

基于PCA融合PSO-SVM的运动想象脑电信号分类方法

运动想象脑电信号的分类识别是当前脑机接口(BCI)技术面临的难点。针对该问题,提出一种融合主成分分析(PCA)和粒子群优化-支撑向量机(PSO-SVM)的运动想象脑电信号分类方法。首先利用PCA对采集到的高维脑电信号进行分析,剔除其中噪声分量并提取三维反应不同脑电信号差异特性的特征向量。然后利用SVM对特征向量进行分类,同时针对SVM分类性能受核参数影响较大的问题,利用PSO算法的全局寻优能力对其进行优化,从而提升SVM的分类性能。最后采用BCI竞赛中所用Graz数据进行实验,结果表明所提的PCA融合PSO-SVM方法可以获得95.3%的分类性能,在低信噪比条件下具有鲁棒性和较高的应用前景。     

基于模糊化符号复杂度的脑电运动想象识别算法

提出一种基于模糊化符号复杂度的运动想象脑电信号特征提取与识别方法。在脑电信号的复杂度细粒化多符号度量中引入模糊算法,用sigmoid函数模糊化处理,逻辑判断得到模糊化符号复杂度。取细粒化指数n为2,提取模糊化符号复杂度作为特征值,最后利用支持向量机对脑电运动想象任务进行分类识别。实验结果表明,以模糊化符号复杂度为特征的分类方法,对左右手运动想象脑电信号的分类识别率最高达88.67%,优于二值化Lempel-Ziv复杂度算法。     

LM算法在神经网络脑电信号分类中的研究

在脑机接口(BCI)中,脑电信号(EEG)的特征提取和分类识别可以通过多层前馈神经网络的大量学习来实现,但是基于误差反向传播的BP神经网络标准算法收敛速度慢,在训练中效率不高,分类正确率也很有限。针对这些问题,文中提出使用一种快速稳定的Levenberg-Marquardt算法来代替BP算法进行神经网络的学习训练,并利用BCI 2008竞赛的Graz数据集B进行了对左右手想象运动脑电信号分类的MATLAB仿真实验。该方法使得脑电信号分类的正确率达到87.1%,比BP算法的正确率78.2%要高,并且具有更好的收敛性。该算法为脑电信号的分类提供了有效的手段。     

基于MODWT的运动想象脑电信号识别

对运动想象脑电信号进行分类识别,是脑机接口研究中的重要问题。为此,提出一种基于极大重叠小波变换和AR模型的脑电信号分类方法。将脑电信号波形进行极大重叠小波分解,抽取变换系数的统计特征,利用Burg算法提取其3层光滑的8阶AR模型系数以及3层光滑部分的能量曲线特征,将这3类特征进行组合后,使用神经网络、支持向量机及线性判别进行分类和比较。与BCI2003竞赛数据分类精度结果相比,该方法的识别率更高。将模型移植入自行研制的嵌入式脑电信号控制电机转向系统中,该模式识别方法的平均准确度达到了91.3%,可用于嵌入式脑机接口的系统设计。     

基于稀疏表示的脑电（EEG）情感分类

计算机对人类情绪与情感的识别研究已经成为了脑机接口领域的研究热点。通过分析人类在生活中的各种情感状态,提取脑电信号的特征并对情感状态进行识别、分类是情感智能化领域的重要方向。针对基于音乐视频诱导的情感数据集DEAP进行了研究,提取脑电信号的频域特征后,提出了采用加速近邻梯度算法（APG)和正交匹配算法（OMP）求解稀疏编码的稀疏表示分类模型进行情感分类,并与支持向量机算法（SVM）做效果比较。实验结果表明,APG算法通过L1范数正则近似求解以其快速的收敛速度在情感数据集上有着较好的分类表现,而OMP算法与SVM算法的分类效果相差无几,实现了情感脑电信号的分类。     

感知器算法在运动想象脑电模式识别中的应用

基于脑电(EEG)的脑机接口(BCI)是在人脑和计算机或其它电子设备之间建立不依赖于常规大脑信息输出通路(外周神经和肌肉组织)的全新对外信息交流和控制技术。及时有效地提取和识别与运动想象相关的脑电模式可以帮助严重瘫痪病人控制光标或辅助运动设备以替代其受损的运动功能,建立一种与外界交流沟通的新途径。论文将以EEG(C3,C4)两个通道的mu节律能量作为特征向量,用感知器算法对左右手运动想象脑电模式进行识别,实验结果表明,正确识别率可达87.86%。由于感知器算法计算简单,故可以认为,感知器算法在脑机接口的应用中有较高的实用价值。     

Harmony search-based hidden Markov model optimization for online classification of single trial eegs during motor imagery tasks

This paper presents an improved method based on single trial EEG data for the online classification of motor imagery tasks for brain-computer interface (BCI) applications. The ultimate goal of this research is the development of a novel classification method that can be used to control an interactive robot agent platform via a BCI system. The proposed classification process is an adaptive learning method based on an optimization process of the hidden Markov model (HMM), which is, in turn, based on meta-heuristic algorithms. We utilize an optimized strategy for the HMM in the training phase of time-series EEG data during motor imagery-related mental tasks. However, this process raises important issues of model interpretation and complexity control. With these issues in mind, we explore the possibility of using a harmony search algorithm that is flexible and thus allows the elimination of tedious parameter assignment efforts to optimize the HMM parameter configuration. In this paper, we illustrate a sequential data analysis simulation, and we evaluate the optimized HMM. The performance results of the proposed BCI experiment show that the optimized HMM classifier is more capable of classifying EEG datasets than ordinary HMM during motor imagery tasks.     

基于HHT运动想象脑电模式识别研究

脑机接口是一种变革性的人机交互, 其中基于运动想象(Motor imagery, MI)脑电的脑机接口是一类非常重要的脑机交互. 本文旨在探索有效的运动想象脑电特征模式提取方法. 采用在时域、频域同时具有很高分辨率的希尔伯特--黄变换(Hilbert-Huang transform, HHT),进而提取自回归(Auto regressive, AR)模型参数并计算运动想象脑电平均瞬时能量,从而构造特征向量, 最后利用能较好地适应运动想象脑电单次试验分类的支持向量机(Support vector machine, SVM)进行分类. 结果表明在Trial的5.5～7.5s期间, HHT特征提取方法平均分类正确率为81.08%, 具有良好的适应性;最高分类正确率为87.86%, 优于传统的小波变换特征提取方法和未经HHT的特征提取方法;在Trial的8～9s期间, HHT特征提取方法显著优于后两种特征提取方法. 本研究证实了HHT对运动想象脑电这一非平稳非线性信号具有很好的特征提取能力, 也再次验证了运动想象事件相关去同步(Event-related desynchronization, ERD)现象, 同时也表明运动想象脑电的脑--机交互系统性能与被试想象心理活动的质量密切相关. 本文可望为基于运动想象脑电的在线实时脑机交互控制系统的研究打下坚实的基础.     

基于图卷积网络的运动想象识别

运动想象识别将大脑的神经活动信号转为编码输出以实现意念控制,是脑机接口的一个重要研究方向.近年来深度学习算法的应用进一步提高了运动想象识别的准确率,但是当前基于深度学习的运动想象分析都将多路脑电信号作为二维矩阵信号,忽视了不同节点的空间关联信息.为了解决这个问题,将图卷积网络算法应用到运动想象分类中,通过多个节点脑电信...     

Trial pruning based on genetic algorithm for single-trial EEG classification

We consider the problem of artifacts in electroencephalography (EEG) data. In a practical motor imagery based brain-computer interface (BCI) system, EEG signals are usually contaminated by misleading trials caused by artifacts, measurement inaccuracies, or improper imagination of a movement. As a result, the performance of a BCI system can be degraded. In this paper, we introduce a novel algorithm combining Gaussian mixture model (GMM) and genetic algorithm (GA) to detect the abnormal EEG samples. In addition, this algorithm can be also integrated with other data-driven feature exaction method (e.g., common spatial pattern (CSP)) so that a more reliable analysis can be obtained by pruning the potential outliers and noisy samples, and consequently the performance of a BCI system can be improved. Experimental results demonstrate significant improvement in comparison with the conventional mixture model.     

基于FPGA的脑机接口实时系统

给出了以FPGA为核心,实现基于瞬态视觉诱发电位的脑机接口实时系统的方案。该方案包括脑电采集电路、基于FPGA的VGA视觉刺激器和FPGA开发板三部分。用FPGA取代计算机,作为脑机接口的控制和信息处理器。利用VHDL编程,在FPGA中实时处理采集的脑电信号,提取并识别瞬态视觉诱发电位信号,转换为控制命令,反馈给视觉刺激器。实验结果表明,本方案可以有效地实现脑机接口实时系统,并达到较高的正确率和通信速度。     

基于EEG的脑机接口发展综述

随着无线传输、机器学习、人工智能等技术的进步,基于脑电图(EEG)的脑机接口(BCI)技术的研究相应增加,作为一种变革性的通讯和控制技术,脑机接口可以广泛地应用于康复医疗、游戏娱乐、军事应用、家居智能等领域,具备千亿级别的应用市场;综述了基于EEG的典型脑机接口范式,包括MI-BCI、P300-BCI、SSVEP-BCI等范式的基本原理、研究现状和典型应用场景,对各类范式的优缺点进行了评价,提出了当前研究中面临的技术和伦理等方面的风险挑战,并对其发展和应用前景作了展望。     

Faster Self-Organizing Fuzzy Neural Network Training and a Hyperparameter Analysis for a Brain–Computer Interface

This paper introduces a number of modifications to the learning algorithm of the self-organizing fuzzy neural network (SOFNN) to improve computational efficiency. It is shown that the modified SOFNN favorably compares to other evolving fuzzy systems in terms of accuracy and structural complexity. An analysis of the SOFNN's effectiveness when applied in an electroencephalogram (EEG)-based brain-computer interface (BCI) involving the neural-time-series-prediction-preprocessing (NTSPP) framework is also presented, where a sensitivity analysis (SA) of the SOFNN hyperparameters was performed using EEG data recorded from three subjects during left/right-motor-imagery-based BCI experiments. The aim of this one-time SA was to eliminate the need to choose subject- and signal-specific hyperparameters for the SOFNN and thus apply the SOFNN in the NTSPP framework as a parameterless self-organizing framework for EEG preprocessing. The results indicate that a general set of NTSPP parameters chosen via the SA provide the best results when tested in a BCI system. Therefore, with this general set of SOFNN parameters and its self-organizing structure, in conjunction with parameterless feature extraction and linear discriminant classification, a fully parameterless BCI that lends itself well to autonomous adaptation is realizable.     

基于脑机接口的控制器

为实现大脑与设备的通讯,研究基于脑机接口的控制器．本文研究脑电信号（EEG）的特征提取,实验通过E．Prime心理学软件结合Neuroscan公司生产的64导脑电采集设备获取脑电原始信号,利用小波算法对原始脑电信号进行分析,提取感兴趣的频段小波系数作为特征;分析脑电信号的功率谱,基于Fisher准则设计分类器．本文在研究脑机接口（Brine．ComputerInterface,BCI）的基础上通过想象实现了对运动的控制．以轮椅为实际控制对象,仅仅通过两个电极采集脑电信号,设计制作了控制器,理论验证实验成功的通过想象控制轮椅的四个方向的运动．本文最后还探讨了脑机接口的应用前景．