基于听觉E RP功能脑网络特征和SVM的测谎方法研究

基于图论理论的脑网络分析方法近年来在认知脑科学研究中起到了非常重要的作用,而基于事件相关电位（Event-Related Potentials,ERP）的传统测谎方法一直都专注于对某一特定通道上的脑电信号进行分析,针对传统方法中使用少数通道并不能够全面的反映人在说谎状态下大脑整体认知功能特征的缺点,本文提出了基于脑网络特征的测谎方法,通过听觉刺激诱发事件相关电位ERP,记录脑区多通道脑电信号,通过讨论各导联之间的相位延迟指数来构建脑功能网络,计算7类脑网络特征参数作为判别指标。分析被试在说谎和无辜状态下的网络特征参数,使用支持向量机对实验数据进行分类判断,结果表明：本文提出的方法有较高的判别准确率,优于目前判别方法的平均值,证明了本方法的测谎有效性。     

基于脑电样本熵的测谎分析

测谎分析在刑讯侦查和法律审判中具有重要意义.为了区分是否说谎,根据脑电信号的非线性特征,本文首次使用非线性动力学的样本熵方法分析30名受试者处于诚实和说谎两种状态时脑电信号的样本熵值.研究发现：受试者处于诚实状态时的熵值波动范围明显小于说谎状态下的波动范围,更重要的是说谎时的熵值显著高于说实话时的熵值,表明样本熵可以区分诚实和说谎两种不同状态下的脑电信号,该研究为基于脑电的测谎提供了一种新的途径.     

基于互信息的脑网络及测谎研究

互信息分析方法是基于信息论提出的一种描述两信号间信息交互情况的算法,其在脑电信号领域的有效性已得到了充分证实.针对当前测谎方法中脑电信号特征提取困难以及大脑整体认知功能分析在脑认知科学研究中越来越被重视的情况,本文首次将互信息分析方法应用到脑电测谎领域中,使用互信息量化大脑各节点之间的相关性,对计算结果进行统计分析,选取出在两类人群中具有显著性差异的电极对的互信息作为分类特征,进行模式识别,得到了99.67%的准确率.这一结果表明,互信息分析方法是一种有效的脑功能连接分析方法,为基于脑电信号连接分析的测谎研究提供了一种新的途径.另外,对说谎与诚实两类受试者的大脑功能网络的分析结果表明：处于说谎状态时,大脑的额叶、顶叶、颞叶及枕叶之间协同实现谎言功能,并在躯体行为所对应的脑区与其他脑区的连接上也表现出相对诚实组的显著性差异,以上结果均有助于进一步揭示谎言的神经活动机制.     

利用相锁值算法的脑电相同步测谎研究

相锁值（Phase Locking Value,PLV）是由相同步的概念下提出一种描述不同信号相关性（同步性）的算法,在脑电信号领域,其有效性已经得到了验证.本文针对当前测谎方法中脑电信号特征提取困难的问题,首次将相锁值的算法应用到脑电测谎领域中,研究谎言脑活动下不同脑区之间的相关性,通过相关性发现谎言的认知机制,并利用该相关性作为特征,使用支持向量机对说谎者和诚实者的两类信号进行模式识别,得到了88.50%的准确率,提出的方法验证了PLV在测谎应用中的有效性,为基于脑电信号的测谎提供了一种新的途径.     

基于PCANet和SVM的谎言测试研究

主成分分析网络（Principal Component Analysis Network,PCANet）是基于深度学习理论的一种非监督式的特征提取方法,它克服了手工提取特征的缺点,目前其有效性仅仅在图像处理领域中得到了验证。本文针对当前谎言测试方法中脑电信号特征提取困难的缺点,首次将PCANet方法应用到一维信号的特征提取领域,并对测谎实验的原始脑电信号提取特征,然后使用支持向量机（Support Vector Machine,SVM）将说谎者和诚实者的两类信号进行分类识别,将实验结果和其它分类器及未使用特征提取的分类效果进行了比较。实验结果显示相对未抽取任何特征的方法,提出的方法PCANet－SVM可以获得更高的训练和测试准确率,表明了PCANet方法对于脑电信号特征提取的有效性,也为基于脑电信号的测谎提供了一种新的途径。     

在线脑机接口中脑电信号的特征提取与分类方法

在脑机接口研究中,针对运动想象脑电信号的特征抽取,提出了一种基于离散小波变换和AR模型的方法.利用Daubechies类小波函数对脑电信号进行3层分解,抽取小波变换系数的统计特征;利用Burg算法提取脑电信号6阶AR模型系数.将这两类特征进行组合后使用神经网络、支持向量机、马氏距离线性判别进行分类并比较分析.采用BCI...     

基于C-LSTM模型的端到端多粒度运动想象脑电信号分析方法

脑电信号（Electroencephalography, EEG）是人的大脑在不同状态下产生的生物电信号。运动想象脑电信号是其中较为典型的一类信号，广泛应用于脑机接口技术中。对运动想象脑电信号分析的研究由来已久，目前主要采用公共空间模式等特征提取方法，对于如何提取更加有效的脑电信号特征以及如何对时序信息进行建模仍然是需要解决的问题。因此，本文设计了基于C-LSTM（Convolutional-Long Short Term Memory）模型的端到端多粒度脑电分析方法。并利用空间信息以及小波脑网络方法进行了改进，在BCI2008数据集上，相较传统方法提高了近10%，到达了93.6%的识别率。      

基于动态功能连接的握力运动参数脑电识别

为了研究握力运动过程中脑功能网络(Brain Functional Network,BFN)的动态变化特征及对握力运动参数任务识别的影响,提出一种加权相位滞后指数法构建动态脑功能网络.通过对预处理的EEG时间序列按照一定的非重叠窗口截断成等长的子时间序列,按时间顺序,利用相位同步特性对所有子序列进行筛选;筛选出的有效数据段用加权相位滞后指数法估计功能连接大小,构建相应节点的脑功能网络;提取4种不同网络特征参数,对其进行串行融合获得特征向量;最后以支持向量机作为分类器进行分类.与静息态和不均匀子时段划分方法相比,所提方法的平均识别率提高到了74％.     

基于相位同步的脑电信号分类算法研究

脑电同步是脑功能区域整合或绑定的表现.文中将相位同步应用于运动意识想象分类,采用希尔伯变换信号处理方法计算脑电信号瞬时相位值.在合适的时间窗下,选取C3、C4电极与中央区电极进行配对并进行锁相值计算,采用支持向量机进行运动意识想象分类.实验结果表明,采用相位同步方法分类准确率达92.5%.     

脑电控制及检测设备的研究与实现

通过分析脑电信号与人体精神状态的关系以及脑电检测方法,设计相应电路对脑电信号采集并进行分析,重点对从脑电信号中解析出的人体精神专注度的数据进行研究和应用,设计出可以采集脑电信号,测试者通过调节注意力,用注意力的集中程度来改变彩灯颜色变化的脑电检测设备,进行脑-机交互操作.     

基于同步性脑网络的支持张量机情绪分类研究

一直以来,情绪是心理学、教育学、信息科学等多个学科的研究热点,脑电信号(EEG)因其客观、不易伪装的特点,在情绪识别领域受到广泛关注。由于人类情绪是大脑多个脑区相互作用产生的,该文提出一种基于同步性脑网络的支持张量机情绪分类算法(SBN-STM),该算法采用相位锁定值(PLV)构建了同步性脑网络,分析多导联脑电信号之间的同步性和相关性,并生成2阶张量序列作为训练集,运用支持张量机(STM)模型实现正负情绪的二分类。该文基于DEAP脑电情绪数据库,详细分析了同步性脑网络张量序列的选取方法,最佳张量序列窗口的大小和位置,解决了传统情绪分类算法特征冗余的问题,提高了模型训练速度。仿真实验表明,基于支持张量机的同步性脑网络分类方法的情绪准确率优于支持向量机、C4.5决策树、人工神经网络、K近邻等以向量为特征的情绪分类模型。     

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\begin{document}$ \mu$\end{document}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%。     

Epileptic seizures detection in EEG using DWT-based ApEn and artificial neural network

There are numerous neurological disorders such as dementia, headache, traumatic brain injuries, stroke, and epilepsy. Out of these epilepsy is the most prevalent neurological disorder in the human after stroke. Electroencephalogram (EEG) contains valuable information related to different physiological state of the brain. A scheme is presented for detecting epileptic seizures from EEG data recorded from normal subjects and epileptic patients. The scheme is based on discrete wavelet transform (DWT) analysis and approximate entropy (ApEn) of EEG signals. Seizure detection is performed in two stages. In the first stage, EEG signals are decomposed by DWT to calculate approximation and detail coefficients. In the second stage, ApEn values of the approximation and detail coefficients are calculated. Significant differences have been found between the ApEn values of the epileptic and the normal EEG allowing us to detect seizures with 100 % classification accuracy using artificial neural network. The analysis results depicted that during seizure activity, EEG had lower ApEn values compared to normal EEG. This gives that epileptic EEG is more predictable or less complex than the normal EEG. In this study, feed-forward back-propagation neural network has been used for classification and training algorithm for this network that updates the weight and bias values according to Levenberg–Marquardt optimization technique.     

Nonlinear considerations in EEG signal classification

We investigate the effect of incorporating modeling of nonlinearity on the classification of electroencephalogram (EEG) signals using an artificial neural network (ANN). It is observed that the ANN's predictive ability is improved after preprocessing EEG signals using a particular nonlinear modeling technique, viz. a bilinear model, compared with those obtained by using a particular classical linear analysis method, viz. an autoregressive (AR) model. Until recently, linear time-invariant Gaussian modeling has dominated the development of time series modeling and feature extraction. The advantage of such classical models lies in the fact that a complete signal processing theory is available. In the case of EEG signals, where the underlying theory regarding the dynamical law governing the generation of these signals (e,g., the underlying physiological factors) is not completely understood, a case can be made for using improved signal processing models that are not subject to linear constraints. Such models should recognize important features of the observed data that may not be well modeled by a linear time-invariant model. It is known that EEG signals are nonstationary, and it is possible that they may be nonlinear as well. Thus, one way of gaining further insights on the structure of EEG signals is to introduce nonlinear models and higher order spectra. This paper compares the results of classification using a linear AR model with those obtained from a bilinear model. It is shown that in certain cases, the nonlinearity of the EEG signals is an important factor that ought to be taken into consideration during preprocessing of the signals prior to the classification task     

Spatiotemporal forward solution of the EEG and MEG using network modeling

Dynamic systems have proven to be well suited to describe a broad spectrum of human coordination behavior such synchronization with auditory stimuli. Simultaneous measurements of the spatiotemporal dynamics of electroencephalographic (EEG) and magnetoencephalographic (MEG) data reveals that the dynamics of the brain signals is highly ordered and also accessible by dynamic systems theory. However, models of EEG and MEG dynamics have typically been formulated only in terms of phenomenological modeling such as fixed-current dipoles or spatial EEG and MEG patterns. In this paper, it is our goal to connect three levels of organization, that is the level of coordination behavior, the level of patterns observed in the EEG and MEG and the level of neuronal network dynamics. To do so, we develop a methodological framework, which defines the spatiotemporal dynamics of neural ensembles, the neural field, on a sphere in three dimensions. Using magnetic resonance imaging we map the neural field dynamics from the sphere onto the folded cortical surface of a hemisphere. The neural field represents the current flow perpendicular to the cortex and, thus, allows for the calculation of the electric potentials on the surface of the skull and the magnetic fields outside the skull to be measured by EEG and MEG, respectively. For demonstration of the dynamics, we present the propagation of activation at a single cortical site resulting from a transient input. Finally, a mapping between finger movement profile and EEG/MEG patterns is obtained using Volterra integrals.     

基于切片谱的脑电特征分析

脑电信号包含与人脑的生理结构、状态等相关的大量信息。由于脑电信号很容易受到其他噪声的污染,并且其本身又具有很强的随机性,为了更好地提取脑电信号中的有用信息,运用三阶累积量切片谱分析法对临床实测脑电数据进行分析。仿真结果表明,该方法能有效抑制随机信号中的加性高斯噪声,并且能揭示不同状态下癫痫脑电信号中的非线性耦合现象,这表明该方法将为研究脑电信号提供一个新的途径。