基于深度卷积网络的运动想象脑电信号分类方法

为了提高多分类运动想象脑电信号的解码精度,以此促进脑机接口系统在生产生活中的应用.采用基于深度卷积网络的LeNet和AlexNet模型分析四分类运动想象脑电特性.将脑电信号通过预处理、数据归一化和数据增强,然后分别输入两个模型中进行分类.通过与现有不同的特征提取和分类方法对比,实验结果表明,在多分类运动想象脑电解码研究...     

四类运动想象任务的脑电特征分析及分类

对多通道的四类运动想象脑电进行了研究.提出了采用表面拉普拉斯对多通道脑电进行预处理,消除各导联之间的相关性,提高信号的信噪比.实验证明表面拉普拉斯对分类正确率的提高有极大的帮助.然后使用OVR-CSP(One Versus the Rest Common Spatial Patterns)的方法,对四类运动想象任务的脑电信号进行特征提取.最后,应用设计的BP神经网络对提取的特征数据进行了分类,取得了较高的分类正确率.对基于不同频带脑电特征的分类情况进行了分析比较,得出了一些有参考价值的结论.     

四类运动想象任务的脑电特征分析及分类

对多通道的四类运动想象脑电进行了研究。提出了采用表面拉普拉斯对多通道脑电进行预处理,消除各导联之间的相关性,提高信号的信噪比。实验证明表面拉普拉斯对分类正确率的提高有极大的帮助。然后使用OVR-CSP（One Versus the Rest Common Spatial Patterns）的方法,对四类运动想象任务的脑电信号进行特征提取。最后,应用设计的BP神经网络对提取的特征数据进行了分类,取得了较高的分类正确率。对基于不同频带脑电特征的分类情况进行了分析比较,得出了一些有参考价值的结论。     

基于数据增强的运动想象脑电分类

针对运动想象脑电（MI-EEG）多分类问题,在已有研究的基础上进行改进,构建了基于深度可分离卷积的轻量级卷积神经网络（L-Net）和轻量级混合网络（LH-Net）,并在BCI竞赛Ⅳ-2a四分类数据集上进行了实验和分析,结果表明：L-Net比LH-Net可以更快地拟合数据,训练时间更短;但LH-Net的稳定性比L-Net更好,在测试集上的分类性能具有更好的稳健性,平均准确率和平均Kappa系数比L-Net分别提高了3.6个百分点和4.8个百分点。为了进一步提升模型分类性能,采用了基于时频域的高斯噪声添加新方法对训练样本进行数据增强（DA）,并针对噪声的强度进行了仿真验证,推测出了两种模型的最优噪声强度的取值范围。仿真结果表明使用了该数据增强方法后,两种模型的平均准确率最少提高了4个百分点,四分类效果均得到了明显提升。     

基于深度卷积网络的运动想象脑电信号模式识别

针对运动想象脑电信号(MI-EEG)分类准确率普遍偏较低的问题,引入基于深度框架的卷积神经网络模型(CNN).首先,使用短时傅里叶变换(STFT)和连续小波变换(CWT)得到两种不同解析度下的时频信息;然后将其与电极通道位置信息相结合并以三维张量的形式作为CNN的输入;其次,设计了两种基于不同卷积策略的网络模型Mixe...     

基于神经网络的运动想象分类研究

近年来,神经网络的模型不断得到完善,神经网络在运动想象分类任务中的应用越来越广泛,分类准确率不断提高。本文主要对传统的机器学习算法进行介绍与总结,在此基础上对深度学习网络模型的原理及应用进行了概括,主要分析卷积神经网络、生成对抗网络和胶囊网络这几种网络模型的优缺点及应用,并对多种网络模型组合分类或将单一网络模型中的多种特征进行组合分类的发展趋势进行展望,提出目前运动想象分类任务面临的问题及发展趋势。     

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。     

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.     

机械臂抓取任务的脑电分类

针对大脑认知完好无损的患者,却患有重度神经肌肉疾病导致肢体行动受限的问题,为使患者重新获取障碍肢体的自主控制能力,本文提出了一种机械臂抓取任务的脑电分类方法对患者进行障碍肢体运动康复训练.首先使用非侵入式脑电技术对运动想象脑电信号进行采集,通过预处理、特征提取以及多尺度特征融合卷积神经网络进行分类识别;最后利用分类模型得到的标签解码成机械臂能够识别的指令,控制机械臂完成特定任务.实验结果表明:实验选取的15名健康受试者运动想象实验采集的脑电数据具有可行性,平均准确率达到了82%以上;为机械臂抓取任务的脑电分类提供了一种新思路.     

面向运动想象分类任务的任务导向子域对抗迁移网络

运动想象是一种应用前景广泛的脑机接口范式. 在基于脑电的运动想象分类任务中, 由于设备和被试的缘故, 会导致与被试、时间相关的数据分布漂移现象. 这种数据分布漂移会使得分类器分类精度下降. 而迁移学习能很好地解决这种分布漂移现象. 本文提出了一种新的单源域选择算法, 多子域可迁移性估计(multi-subdomain transferability estimation, MSTE)和一种新的迁移方法, 任务导向的子域对抗迁移网络(task-oriented subdomain adversarial transfer network, ToSAN), 用于脑电信号的分类任务. MSTE能评估源域和目标域在时间和类别上的相似性. ToSAN能面向分类任务分解特征, 在与任务相关的特征上进行多个子域对齐, 从而克服分布差异. 在BCI Competition IV 2a和BCI Competition IV 2b上的实验结果表明, ToSAN相比于其他方法在分类准确率上提高了最少2.67%, 8.6%. MSTE和ToSAN的结合在BCI Competition IV 2a和BCI Competition IV 2b数据集上分别达到了81.73%和88.73%的分类准确率, 显著优于所有对比方法.     

重叠时间切片改进深度神经网络的运动想象EEG模式识别

运动想象脑电信号(EEG)的模式识别方法,一直是无创脑机接口领域的重要研究方向之一.近年来,深度学习进一步提升了运动想象EEG信号的识别准确率,但面对EEG信号较强的时变性,依然存在训练样本不足和特征维度太高等问题.针对上述问题,本文提出了一种新型的重叠时间切片训练策略,在现有的时间切片策略基础上(cropped),采...     

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...     

最优区域共空间模式的运动想象脑电信号分类方法

共空间模式(Common Spatial Pattern,CSP)是脑机接口(Brain-Computer Interface,BCI)中一种有效的特征提取方法,然而传统CSP算法并未考虑在提取前剔除可能会影响其性能的不相关的嘈杂通道信号。所以针对不同对象的通道选择问题,提出了一种最优区域共空间模式(ORCSP)特征提取方法。首先通过欧式距离得到每个通道的附近区域,再根据方差比选择可分性最高的区域,然后采用5折交叉验证对区域内通道数目进行寻优,进而得到区分度最高的区域特征,最后使用支持向量机(SVM)进行分类。所提方法在BCI竞赛数据上进行了实验测试,并与同类型的正则化CSP和局部区域CSP算法进行了对比,在BCI Competition Ⅲ Dataset Ⅳ a数据集上达到了89.78%的平均准确率。实验结果验证了所提出方法的有效性。     

基于改进CSP算法的运动想象脑电信号分类方法

For the problem of low classification accuracy and poor real-time performance during the traditional common spatial patterns (CSP) algorithm for motor imagery EEG signal processing, a new analysis method of CSP EEG signal based on time space frequency domain is put forward. Firstly, the wavelet packet is used to decompose the original signal of EEG, the motor imagery EEG rhythm is extracted according to the frequency distribution of EEG signal, and the spatial features of EEG are extracted by improving CSP algorithm. Then, we introduce the time window to filter the EEG signals, and eliminate the influence of EEG fluctuation at the beginning and end of the motion imagery. Lastly, according to the characteristics of the physiological distribution of EEG signals in the brain cortex, the method based on spindle channel is used to process the EEG signal and analyze computational time of different algorithms and the classification results. The experimental results show that, the running time of the algorithm is 1.562 s, which is 67% shorter than the traditional method, and the average classification accuracy is up to 97.5% when the number of spindle channels is 29 and the time window is 2 s. In the meantime, the results show that the proposed method can effectively improve the classification accuracy and the real-time performance of motor imagery EEG.     

脑电信号多维特征融合与分类算法研究

针对目前运动想象脑电信号特征提取单一,分类识别准确率低等现象,结合卷积神经网络分类器,提出了一种多维度特征加权融合的特征融合算法来提高运动想象脑电识别率。对预处理后的脑电信号进行小波包变换,提取其共空间特征、能量特征、边际谱熵特征以及非线性动力学特征,然后加权融合,使用卷积神经网络分类器分类。为验证算法的合理性,使用BCI-IV Dataset 2a数据集对提出的特征融合算法进行验证分析,结果表明,所提出的加权特征融合算法结合CNN分类器可以有效提高运动想象识别准确率。实验中,9位志愿者平均分类准确率达到75.88%,平均Kappa系数为0.70。     

融合CNN与交互特征的多标签图像分类方法

图像在日常生活中广泛存在,图像分类具有重要的现实意义。针对当前多标签图像分类中因神经网络模型复杂以及提取到的图像特征信息不足而导致分类准确率较低、计算复杂度高等问题,提出一种融合卷积神经网络与交互特征的多标签分类方法,即MLCNN-IF模型。MLCNN-IF模型主要分成2步,首先参考传统CNN基本结构搭建一个仅有9层的轻量级神经网络(MLCNN),用于处理图像数据并提取特征;其次基于MLCNN提取的特征,通过交互特征方法产生各独立特征的组合特征,以此获得新的更丰富的特征集。实验结果表明,MLCNN-IF模型对比Alex Net、Goog Le Net和VGG16在4种多标签图像数据集上取得了更好的分类结果,其准确率和精准率分别平均提高9%和4.8%;同时MLCNN网络结构相对更简洁,有效降低了模型参数量和时间复杂度。