基于MTACNet网络的运动想象脑电分类

为了更好地利用到脑电信号中的相关特征，改善运动想象脑电的分类性能，构建了一种基于混合特征和并行多尺度TCN模块的多层卷积网络（MTACNet）。首先，搭建基于混合特征的多层卷积神经网络，并在其中嵌入高效通道注意力机制，选取PReLU作为激活函数，以提取脑电信号中的时域和空域信息；然后对TCN模块进行改进，构建并行多尺度时域特征提取模块，接入多层卷积网络，进一步挖掘不同时间尺度的特征信息。在公开数据集BCI_IV_2a和自采数据集SCU_MI_EEG上进行测试，平均分类准确率分别为8615%、7710%，标准差分别为917%、1358%。并且针对自采数据集，设计了一种融合多频域脑电信号进行三通道输入的预处理方法，经过预处理后使平均分类准确率提升了329%。实验结果表明，与其他方法相比，本文所构建的分类网络取得了较为不错的分类效果，所设计的预处理方法能够降低复杂环境和无关干扰因素对分类结果的影响。     

基于脑电两节律和 BP 神经网络的运动想象分类研究

针对脑电信号(EEG)分类过程中无效数据影响准确度的问题,提出一种数据筛选的方法。基于脑-机接口(BCI)系统,通过视觉诱发刺激产生左向和右向两种运动想象任务对应的脑电信号,提取该信号的统计特征,并利用BP神经网络实现运动想象分类识别。在数据处理过程中,首先利用β节律的能量特征对无效数据进行剔除,再结合μ节律信号的均值、标准差、能量谱、功率谱、自相关函数等多个特征进行分类。对筛选后的数据进行分析,所得特征更具代表性,信号分类的准确率由78.25%提高至84.11%。     

基于多域信息融合的脑电情感识别研究

脑电信号识别方法较少将空间、时间和频率信息相融合,为了充分挖掘脑电信号包含的丰富信息,本文提出一种多域信息融合的脑电情感识别方法。该方法利用二维卷积神经网络和一维卷积神经网络相结合的并行卷积神经网络(PCNN)模型学习脑电信号的空间、时间和频率特征,来对人类情感状态进行分类。其中,2D-CNN用于挖掘相邻EEG通道间的空间和频率信息,1D-CNN用于挖掘EEG的时间和频率信息。最后,将两个并行卷积模块提取的信息融合进行情感识别。在数据集SEED上的情感三分类实验结果表明,融合空间、时间、频率特征的PCNN整体分类准确率达到了98.04%,与只提取空频信息的2D-CNN和提取时频信息的1D-CNN相比,准确率分别提高了1.97%和0.60%。并于最近的类似工作相比,本文提出的方法对于脑电情感分类具有一定的优越性。     

基于时空和频域特征的EEG帕金森疾病识别

脑电图(EEG)中蕴含着有关脑功能的丰富信息，这些信息对不同类型神经系统疾病的检测和诊断非常重要。针对单一特征无法充分表达脑电信号的问题，本文融合了频域特征和时空信息来更好的对信号进行表征，并提出一种基于时空和频域特征的注意力网络(STFACN)用于帕金森疾病(PD)的自动检测。在频域角度，利用快速傅里叶变换法从多通道脑电图中求取Delta、Theta、Alpha频段的平均功率特征。同时构建基于时空特征的紧凑型卷积神经网络，并将通道注意力机制嵌入到网络中，自适应提取表征PD的时空特征。最后将基于频域特征的模型与基于时空特征的紧凑型卷积神经网络模型进行融合，在新墨西哥州大学(UNM)数据集上进行实验，特异性、敏感性、准确率分别达到87.97%、84.39%、86.89%。在爱荷华大学(UI)数据集上进行跨数据集实验，准确率达到77.33%。实验结果表明：与现有的方法相比，本文提出的方法能够从原始脑电图中挖掘出有效特征，在基于EEG的帕金森疾病识别问题上准确率高，泛化能力强。     

基于BP神经网络的运动想象脑电信号分类研究

运动想象脑机接口因具有更大的自主性、灵活性,在脑机互联领域得到了广泛应用,相比较其它范式分类准确率偏低,限制了其发展。本文利用时频图谱、脑地形图两种特征分析方法对上肢运动想象脑电信号进行了特征分析,并采用滤波器组共空间模式(filter bank co-space,FBCSP)特征提取算法对上肢运动想象信号数据进行了特征提取,再将提取结果分别利用支持向量机（support vector machine,SVM）算法、K-最近邻(K-Nearest Neighbor)算法、反向传播（back propagation,BP）神经网络三种分类算法进行分类,研究结果发现SVM算法、KNN算法、BP神经网络算法应用在上肢运动想象脑机接口系统的平均分类准确率分别为76.45%、74.55%、81.70%,BP神经网络算法相比SVM算法、KNN算法在上肢运动想象任务的分类准确率上分别高出了5.25%、7.15%,并且t检验后得到分类准确率均具有极显著的统计学差异,并利用ROC曲线和AUC值检测了分类器效果,BP神经网络的AUC值相比SVM算法、KNN算法也分别提升了0.1226、0.1285,表明BP神经网络分类算法相比较SVM算法、KNN算法更适用于上肢运动想象脑机接口系统,提高了系统的分类准确率,推动了上肢运动想象脑电信号实际应用的发展进程。     

基于小波包和深度信念网络的脑电特征提取方法

针对运动想象脑电信号(motor imagery electroencephalography,MI-EEG)的时变性、个体差异性等特点,提出一种将小波包变换(wavelet packet transform,WPT)与深度信念网络(deep belief networks,DBN)相结合的脑电特征自动提取方法,记为WD法。首先,利用平均功率谱方法对MI-EEG进行时域分析,选取有效的时序段。其次,使用WPT对有效时域段的各导MI-EEG进行时频分解,并选取与想象任务相关的频段信息重构脑电信号;然后,将各导重构MI-EEG串接,并将其瞬时功率信号输入给DBN模型实现特征自动提取。最后,利用Softmax分类器完成脑电想象任务的模式分类。在DBN模型训练中通过增加Dropout训练技巧来解决因训练数据少等引起的过拟合问题,以提高分类结果。利用BCI标准竞赛数据库进行实验研究,5-折交叉验证法取得了94.06%的分类准确率,证明该方法能够充分利用脑电的神经生理学特点,自适应地提取个性化的深层脑电特征,有利于改善分类效果。     

基于TRCSP和L2范数的脑电通道选择方法

脑-机接口（BCI）系统常用高密度电极通道来获取较高空间分辨率的脑电（EEG）信号，但同时也会引入过多的噪声通道，影响脑电的解码性能。为了消除无关的噪声通道，提出了一种基于Tikhonov正则化共空间模式（TRCSP）和L2范数的运动想象脑电通道选择方法。首先基于TRCSP和分类器得到最优的空间滤波器，接着基于L2范数对空间滤波器得到的各通道的权重值进行排序。选择前K个通道的数据进行CSP特征提取，根据分类器的分类准确率确定最优K值，进而得到最优的通道数和通道组合。在实验中，使用6种分类器分别在BCI竞赛III（2005）数据集IVa和实验室自采集数据上验证所提出的通道选择方法的有效性。所提出的方法在两个数据集上的平均分类准确率分别达到了87.57%和74.32%，优于其它现有的方法。     

基于单形进化算法优化支持向量机的运动想象脑电分类研究

由于支持向量机(support vector machine,SVM)优化算法存在易陷入局部最优解、控制参数较多的问题,提出一种基于单形进化(surface-simplex swarm evolution,SSSE)算法优化的SVM并对运动想象(motor imagery,MI)脑电信号的分类进行了研究.提取MI脑电信号模糊熵和AR(auto regressive)模型参数作为输入特征,然后将SSSE应用在SVM的参数寻优中,实现对MI脑电信号的分类.测试实验中,对2003国际BCI竞赛Data set Ⅲ和2008国际BCI竞赛Data sets 2b进行左右手分类,结果表明,所提方法的平均分类正确率和Kappa值分别为82.47％和0.88,单形进化算法减少了控制参数且有效避免粒子陷入局部最优,验证了该方法在MI脑电信号分类的有效性.     

基于多模态轻量化混合模型的情绪识别

实现更加准确的情绪识别是当前面临的一项富含挑战性且十分有意义的任务。由于情绪的复杂多样性,单一模态的脑电信号难以对情绪进行全面客观的度量。因此本文提出一种多模态轻量化混合模型PCA-MWReliefF-GAPSO-SVM,该混合模型由PCA-MWReliefF特征通道选择器和GAPSO-SVM分类器构成。选用脑电信号(EEG)、肌电信号(EMG)、体温信号(TEM)三模态信号进行情绪识别。在DEAP公共数据集上进行多次实验验证,在效价维度、唤醒维度和四分类中分别取得了97.500 0%、95.833 3%、95.833 3%的分类准确率。实验结果表明,提出的混合模型有助于提高情绪识别准确率且明显优于单模态情绪识别。与近期的类似工作相比,本文提出的混合模型具有较高准确率、计算量小且通道数少的优点,更易于实际应用。     

α波和运动想象的混合范式脑-机接口系统

提出将α波和运动想象2种范式以串行的方式相结合控制的脑-机接口系统,该系统利用α波的阻断现象控制状态选择,选择成功后发出提示音,被试听到提示音后,通过左右手运动想象来完成多个任务。通过这样的混合范式有效的实现了较少种类的脑电信号对外部设备的多任务控制。实验结果表明,5名被试都能顺利完成外部设备的多任务控制,平均正确率为77%,最高正确率可达90%。本系统实现了混合范式下的脑电信号对外部设备的多任务控制,为进一步开发复杂的混合范式的脑-机接口系统奠定基础。     

A time-series prediction approach for feature extraction in a brain-computer interface.

This paper presents a feature extraction procedure (FEP) for a brain-computer interface (BCI) application where features are extracted from the electroencephalogram (EEG) recorded from subjects performing right and left motor imagery. Two neural networks (NNs) are trained to perform one-step-ahead predictions for the EEG time-series data, where one NN is trained on right motor imagery and the other on left motor imagery. Features are derived from the power (mean squared) of the prediction error or the power of the predicted signals. All features are calculated from a window through which all predicted signals pass. Separability of features is achieved due to the morphological differences of the EEG signals and each NNs specialization to the type of data on which it is trained. Linear discriminant analysis (LDA) is used for classification. This FEP is tested on three subjects off-line and classification accuracy (CA) rates range between 88% and 98%. The approach compares favorably to a well-known adaptive autoregressive (AAR) FEP and also a linear AAR model based prediction approach.     

Application of tripolar concentric electrodes and prefeature selection algorithm for brain-computer interface.

For persons with severe disabilities, a brain-computer interface (BCI) may be a viable means of communication. Lapalacian electroencephalogram (EEG) has been shown to improve classification in EEG recognition. In this work, the effectiveness of signals from tripolar concentric electrodes and disc electrodes were compared for use as a BCI. Two sets of left/right hand motor imagery EEG signals were acquired. An autoregressive (AR) model was developed for feature extraction with a Mahalanobis distance based linear classifier for classification. An exhaust selection algorithm was employed to analyze three factors before feature extraction. The factors analyzed were 1) length of data in each trial to be used, 2) start position of data, and 3) the order of the AR model. The results showed that tripolar concentric electrodes generated significantly higher classification accuracy than disc electrodes.     

Application of Tripolar Concentric Electrodes and Prefeature Selection Algorithm for Brain–Computer Interface

For persons with severe disabilities, a brain-computer interface (BCI) may be a viable means of communication. Lapalacian electroencephalogram (EEG) has been shown to improve classification in EEG recognition. In this work, the effectiveness of signals from tripolar concentric electrodes and disc electrodes were compared for use as a BCI. Two sets of left/right hand motor imagery EEG signals were acquired. An autoregressive (AR) model was developed for feature extraction with a Mahalanobis distance based linear classifier for classification. An exhaust selection algorithm was employed to analyze three factors before feature extraction. The factors analyzed were 1) length of data in each trial to be used, 2) start position of data, and 3) the order of the AR model. The results showed that tripolar concentric electrodes generated significantly higher classification accuracy than disc electrodes.     

离散差分模块在癫痫脑电分类中的应用

针对癫痫脑电信号多分类的精度提升问题,提出了一种基于信号转差分模块与卷积模块结合的分类算法。信号转差分模块对原始脑电信号进行多阶差分运算,得到描述其波动特征的差分表示;然后卷积模块动态学习的方式将差分脑电信号转换为图片,利用预训练的卷积神经网络来提取信号特征并实现自动分类。分类结果表明,与现有研究相比,所提出的方法的最高提升了8.1%的分类准确率。在两分类问题上达到了99.8%的分类准确率,在三分类问题上获得了92.8%的准确率,在五分类问题上取得了86.7%的准确率。说明信号转差分模块对于脑电信号分类问题有积极作用。     

基于迁移学习多层级融合的运动想象 EEG 辨识算法

为了准确获取运动想象脑电信号的全局特征和个体间的共性特征,进而提高其分类准确率和模型鲁棒性,提出一种参 数共享迁移学习的融合卷积神经网络算法。 首先把源域上训练完成的网络逐层迁移至目标网络以获取最佳迁移层。 其次,在 迁移层后分别连接不同数量的卷积-池化块构成 4 个不同深度的卷积网络,并将其并行融合后连接分类器得到分类结果。 利用 BCI 竞赛 IV Datasets 2a 对提出方法进行实验分析。 结果显示,使用 100%和 50%样本时所有受试者的平均辨识率分别为 80. 85%和 78. 9%,验证了提出方法在全局特征提取上的有效性小样本问题上的优势。     

Cognitive tasks for driving a brain-computer interfacing system: a pilot study

Different cognitive tasks were investigated for use with a brain-computer interface (BCI). The main aim was to evaluate which two of several candidate tasks lead to patterns of electroencephalographic (EEG) activity that could be differentiated most reliably and, therefore, produce the highest communication rate. An optimal signal processing method was also sought to enhance differentiation of EEG profiles across tasks. In ten normal subjects (five male), aged 29-54 years, EEG activity was recorded from four channels during cognitive tasks grouped in pairs, and performed alternately. Four imagery tasks were: spatial navigation around a familiar environment; auditory imagery of a familiar tune; and right and left motor imagery of opening and closing the hand. Signal processing methodology included autoregressive (AR) modeling and classification based on logistic regression and a nonlinear generative classifier. The highest communication rate was found using the navigation and auditory imagery tasks. In terms of classification performance and, hence, possible communication rate, these results were significantly better (p < 0.05) than those obtained with the classical pairing of motor tasks involving imaginary movements of the left and right hands. In terms of EEG data analysis, a nonlinear classification model provided more robust results than a linear model (p < 0.01), and a lower AR model order than those used in previous work was found to be effective. These findings have implications for establishing appropriate methods to operate BCI systems, particularly for disabled people who may experience difficulty with motor tasks, even motor imagery.     

基于小波包变换的癫痫脑电信号特征提取

为了有效识别癫痫脑电信号,提出了一种适合于非平稳脑电信号的特征提取方法。以临床采集的包含癫痫发作期的5组500个EEG公共数据为样本,选择了具有任意多分辨分解特性的小波包变换,对信号进行多尺度分解,并提取了各级节点的小波包系数。将小波包系数能量作为特征值,构建了特征向量并输入到BP神经网络分类器中进行自动识别。实验结果表明,该算法的识别率达到了91.5%。