脑机接口系统中EEG信号特征提取与分类

脑机接口(BCI)技术是近年来国际上的研究热点之一,它通常利用脑电(EEG)来实现无动作的人机交互,运动想象是其中一种重要BCI实验范式,利用第二届国际脑机接口竞赛中的一组实验数据为处理对象,将数据经公共空间模式滤波、小波时频分解、然后采用T加权提取最后特征,并利用支持向量机进行分类器设计.实验结果表明,该算法效果较好,最终识别正确率达到89.3%.     

基于ECoG的运动想象脑-机接口分类方法

脑—机接口BCI(Brain-Computer Interface)技术是近年来国际上的研究热点之一,它通常利用脑电EEG(electroencephalo-gram)来实现无动作的人机交互,运动想象是其中一种重要的BCI实验范式。有关研究表明,脑皮层电位ECoG(electrocorticogram)具有更好的信噪比与频带特性。研究基于ECoG的运动想象BCI系统,针对ECoG信号的特点,改进了信号处理方法,提取数据的公共空间模式CSP(Common Spatial Pattern)特征,并利用支持向量机SVM(Support Vector Machines)进行分类器设计,提高了运动意向的识别正确率。用相应方法处理2005年脑-机接口竞赛中的一组实验数据,正确率达到92%,相比于当时参赛时所用的方法提高了6%。实验还发现,支持向量机在克服"维数灾难"和"过拟合"方面具有更好的鲁棒性。     

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。     

脑机接口中脑电信号的特征提取和模式分类

从智能处理与不确定性的角度, 探讨了脑机接口中的核心问题-EEG模式特征的识别和分类. 针对EEG模式分类中所存在的不确定性问题, 从EEG的特征提取和分类模型构建两个方面进行了分析, 并提出了解决问题的方法和对策. 以P300成分为例, 从导联选择、滤波处理和时间窗处理三方面进行特征提取, 采用贝叶斯线性判别分析的方法进行模式分类. 最后以第三届脑机接口竞赛P300字符输入的数据为实验, 分别采用3种不同的方法进行数据分析, 通过分类准确率和不同重复次数下性能的比较, 实验结果表明了本文特征提取和模式分类方法的有效性.     

基于事件相关电位的BCI新型输入系统研究

设计了基于事件相关电位(ERP)的脑-机接口(BCI)系统,根据ERP中P300的特性,分别对比输入字符的形式及颜色,并在此基础上采用不同的实验参数进行了多次实验.对采集到的脑电信号(EEG)使用叠加平均、独立成份分析(ICA)、Fisher线性分类器来进行分析处理.实验结果表明,输入方式及实验参数会对P300的时域特性及识别率产生较大的影响.     

一种基于双特征的联合脑-机接口系统设计

与传统基于单一脑电信号的脑-机接口相比,基于多种特征信号的联合脑-机接口能有效提高脑-机接口性能.在基于稳态视觉诱发电位和P300诱发电位的联合使用的可行性基础上,提出了新的刺激编码方式,构建了一种基于两种特征的联合脑-机接口系统.通过设计3×3字符刺激矩阵,矩阵中纵列按各自设定频率闪烁诱发稳态视觉诱发电位,横行随机出现蓝色框诱发P300.实验表明,当受试者注视并关注目标字符,两种特征脑电信号能够被同时诱发,且对脑电信号中两种特征进行识别能够检测出受试者选取的字符.与传统基于P300的字符脑-机接口相比,刺激诱发时间减少了一半,从根本上提高了脑-机接口的速度.在以后工作中,系统可以扩展到更大矩阵(如6×6),构建更为实用的联合脑-机接口系统.     

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。     

基于事件相关电位的脑－机接口系统微弱信号分析方法研究

脑－机接口(BCI,brain computer interface)技术作为一种新型的人机交互方式,近年来受到越来越多的关注。基于听觉刺激模式诱发的事件相关电位P300建立了脑－机接口系统,主要研究微弱P300信号的单导联小样本数据的特征提取和模式识别方法。首先经过预处理和小波变换对脑电信号中的P300成分进行特征提取,建立特征向量,然后使用支持向量机的方法对特征提取结果进行模式分类。对7名受试者进行事件相关电位P300诱发实验,结果表明,系统的分类正确率可达到85％以上,且支持向量机的训练时间都在0.05 s以内。该方法可为脑－机接口的进一步应用奠定基础。     

基于小波预处理和贝叶斯分类器的P300识别算法

提出了一种高效的诱发电位P300成分识别算法用于脑计算机接口.采用小波分解与重构法去噪,根据P300特征决定小波基函数和分解层教,抽取出最明显的特征成分,结合基于证据框架的贝叶斯回归学习方法,获得对应类别概率进行分类决策.数据来源于2004 BCI Competition Ⅲ中的dataset PⅡ300字符拼写实验...     

基于支持向量机的思维脑电信号特征分类研究

探索一种实用的基于想象运动思维脑电的脑-机接口(BCI)方式,为实现BCI应用奠定比较坚实的理论和实验基础。对6名受试者进行三种不同时段(箭头出现2s、1s和0s后提示按键)情况下想象左右手运动思维作业的信号采集实验,利用小波变换和支持向量机对实验数据进行离线处理。对三种情况下的延缓时间△t0、△t1和△t2分析发现:△t0与△t1和△t2之间都有显著性差别(p<0.05),而△t1与△t2之间没有显著差别(p>0.05);平均分类正确率分别达到68.00%、80.00%和56.67%(p<0.05);实际按键前0.5~1s左右,想象左右手运动的思维脑电特征信号都发生了明显改变。通过合理的实验设计获取的信号有助于识别正确率的提高,为BCI系统中思维任务的特征提取与识别分类提供了新思路和方法。     

Toward a Hybrid BCI: Self-Paced Operation of a P300-based Speller by Merging a Motor Imagery-Based “Brain Switch” into a P300 Spelling Approach

This study presents the self-paced operation of a brain–computer interface (BCI) speller, which can be voluntarily turned on/off by merging a motor imagery (MI)-based brain switch into a P300-based BCI speller. From an off state (idle state), the users can generate a “control signal” by consciously changing the cognitive state differential from the idle state to turn on a P300-based spelling system when he or she wants to spell words. With the system turned on, the user can spell words, and then, the spelling system can be voluntarily turned off and switched to the initial state using a command. In this paradigm, the participants tried to perform the two different cognitive tasks sequentially, rather than simultaneously, and multiple EEG components were processed sequentially. The practicability and effectiveness of the proposed approach were validated by eleven participants, and all of them achieved a satisfactory performance. For the P300 speller, they achieved an average PITR of 42.61 bits/min. The preliminary results indicated that the proposed hybrid BCI system with different mental strategies operating sequentially is feasible and has potential applications for practical self-paced control.     

基于改进原型网络的P300脑电信号检测

从脑电信号中检测P300电位是实现P300脑机接口的关键. 由于不同个体间的脑电信号存在较大差异, 现有的基于深度学习的P300检测方法均需要大量的脑电数据来训练模型. 对于小样本的患者数据, 至今仍没有令人满意的解决方案. 本文提出了一种改进的适用于小样本P300脑电信号检测的原型网络方法. 该模型通过卷积神经网络提...     

多模态脑机接口游戏系统的设计与应用

在脑机接口应用中,游戏是其中一个重要的应用方向。脑机接口通过所包含的精神和情感的状态信息能够丰富游戏的趣味性,游戏反过来会推广脑机接口技术的应用。提出并实现了多人脑机接口扫雷游戏系统,该系统是采用玩家在想象运动和P300刺激时的脑电信号作为扫雷光标的控制信号,从而实现将运动想象和P300电位这两种模态的结合并应用到扫雷游戏中。详细介绍了整个游戏系统的实现过程,并提供了八名玩家的实测结果。实验结果表明这两种模态结合应用在游戏中的可行性。     

An EEG Brain–Computer Interface Approach for Classifying Vigilance States in Humans: A Gamma Band Focus Supports Low Misclassification Rates

This research investigated a brain–computer interface (BCI) for classifying vigilance states. A BCI approach based on event-related potential (ERP) and spectral features of electroencephalographic (EEG) data derived from an auditory oddball paradigm was employed. A 128-channel EEG system recorded potentials while participants simultaneously completed a prolonged visual match-to-sample task. It was hypothesized that better classification rates would be found for a group of “bored” participants, as compared to the not-bored participants. The best classification rates were found by extracting EEG features from gamma frequencies at middle and late latencies (for the standard tones). Critically, the BCI paradigm was most effective for the bored participants (mean misclassification rate = 13%), as compared to the not-bored participants (mean misclassification rate = 21%). These findings extend our knowledge of reliable latencies and spectral features of ERP data most salient to the classification of vigilance states.     

Predictive spelling with a P300-based brain-computer interface: Increasing the rate of communication

This study compared a conventional P300 speller brain-computer interface (BCI) to one used in conjunction with a predictive spelling program. Performance differences in accuracy, bit rate, selections per minute, and output characters per minute (OCM) were examined. An 8×9 matrix of letters, numbers, and other keyboard commands was used. Participants (n = 24) were required to correctly complete the same 58 character sentence (i.e., correcting for errors) using the predictive speller (PS) and the non-predictive speller (NS), counterbalanced. The PS produced significantly higher OCMs than the NS. Time to complete the task in the PS condition was 12min 43sec as compared to 20min 20sec in the NS condition. Despite the marked improvement in overall output, accuracy was significantly higher in the NS paradigm. P300 amplitudes were significantly larger in the NS than in the PS paradigm; which is attributed to increased workload and task demands. These results demonstrate the potential efficacy of predictive spelling in the context of BCI.     

Evaluation of P300-Based Brain-Computer Interface in Real-World Contexts

Despite recent advances in brain-computer interface (BCI) development, system usability still remains a large oversight. The goal of this study was to investigate the usability of a P300-based BCI system, P300 Speller, by assessing how background noise and interface color contrast affect user performance and BCI usage preference. Fifteen able-bodied participants underwent a 2 (low and high interface color contrast)?×?3 (low, medium, and high background noise level) within-subjects design experiment, in which participants were asked to type six 10-character phrases in the P300 Speller paradigm. The overall accuracy in the study was 80.2%. Participants showed higher accuracy, higher information transfer rate, bigger amplitude, and smaller latency in the high interface color contrast condition than in the low contrast condition. Participants had better performance in the noisy condition than in the quiet condition, but the background noise effects were not statistically significant in the present study. These results should give some insight to the real-world applicability of the current P300 Speller as a nonmuscular communication system, especially for individuals with severe neuromuscular disabilities.     

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.     

非侵入式脑—机接口编解码技术研究进展

脑—机接口（brain-computer interface,BCI）系统通过采集、分析大脑信号,将其转换为输出指令,从而跨越外周神经系统,实现由大脑信号对外部设备的直接控制,进而用于替代、修复、增强、补充或改善中枢神经系统的正常输出。非侵入式脑—机接口由于具有安全性以及便携性等优点,得到了广泛关注和持续研究。研究人员对脑信号编码方法的不断探索扩展了BCI系统的应用场景和适用范围。同时,脑信号解码方法的不断研发极大地克服了脑电信号信噪比低的缺点,提高了系统性能,这都为构建高性能脑—机接口系统奠定了基础。本文综述了非侵入式脑—机接口编解码技术以及系统应用的最新研究进展,展望其未来发展前景,以期促进BCI系统的深入研究与广泛应用。