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。     

基于改进时频共空间模式的运动想象脑电信号分类

共空间模式侧重提取信号的空间信息,是脑电信号中滤波和特征提取的常用算法之一。然而脑电信号的时间窗、频带和通道的选择都会影响其分类结果。为了提高CSP特征的表征能力,采用了基于相关系数的脑电通道选择方法,结合时频共空间模式提取特征,提出了通道选择共时频空间模式(CS-CTFSP)新框架。首先利用通道间相关性,在主通道的基础上筛选合适的通道集合;并利用时频共空间模式从每个时间窗口的多个子频带中提取CSP特征;接着引入一种子频带筛选方法去除无区分能力的频带单元后,结合LASSO提取稀疏特征;最后采用LDA分类器对脑电信号进行分类。在对BCI Competition III Dataset IVa和BCI Competition IV Dataset I二分类运动想象任务的分类实验中,平均分类精度达到91.10%和87.92%,并与其他运动想象方法进行了比较,验证了本文方法的有效性。     

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.     

基于能量熵的运动想象脑电信号分类

对脑电信号进行特征提取和分类是脑机接口研究的核心问题,利用不同运动想象脑电信号能量熵的变化,从能量熵中提取特征,利用自定义基于统计理论分类方法进行分类,结果均达到90%以上。     

基于ELM运动想象脑电信号的分类

针对运动想象脑电信号的分类识别,提出一种基于小波变换和共空间模式滤波的方法进行特征提取。对EEG进行3层小波分解,提取相关层数小波系数的特征量;同时利用共空间模式对EEG进行空间滤波,提取其转换后信号的方差作为特征量,并将这两类特征量进行组合。该方法结合了时频域和空间域的特征信息,可提高分类识别的效果。最后选取BCI2003中Data setⅢ数据作为样本,分别用极限学习机和基于粒子群算法的支持向量机进行分类识别。实验结果表明极限学习机分类学习时间较快,最优识别率为94.2857%,证明了该方法更适用于脑机接口系统。     

基于运动想象的脑电信号的分类研究

对基于左右手想象的脑机接口数据进行了离线分析。在预处理过程中,采用4阶椭圆带通滤波器进行8～12Hz带通滤波,提取Mu节律对应的EEG信号。选取时间为4～5.5s内的C3、C4通道的幅值和之比作为时域分类特征;在频域范围内,对滤波后数据进行10阶的AR模型功率谱估计作为频域特征;将时域特征和频域特征结合成时频特征向量作为分类特征;在分类器的选择上,使用线性感知器作为分类准则对特征向量进行分类训练。结果表明,经过滤波后的分类结果比未经过滤波的效果要好。选用C3、C4通道的时频特征向量作为分类特征,表达意义简单、明了,且能将某些时频的优点结合,分类准确率较高,且分类速度快,能满足实时性要求。     

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。     

基于共空间模式与决策树支持向量机的运动想象脑电信号分类

针对脑电信号(Electroencephalogram, EEG)采集易受干扰导致EEG分类准确率低的问题,提出一种基于共空间模式(Common Spatial Pattern, CSP)与决策树支持向量机法(Decision Tree Support Vector Machine, DTSVM)相融合的运动想象脑电信号处理方法。首先利用CSP算法对运动想象的EEG特征值进行特征提取,其次运用线性判别分析法(Linear Discriminant Analysis, LDA)、自适应增强分类法(Adaptive Boosting, Adaboost)和决策树支持向量机法分别对特征进行分类,最后通过实验对比发现,利用决策树支持向量机进行分类的分类效果最佳,分类准确率最高可达到92.52%。     

基于LMD-CSP和随机森林的运动想象脑电信号分类

针对脑电信号具有非平稳性、非线性以及个体差异较大等特点而导致特征提取困难、分类准确率低的问题,提出一种基于LMD-CSP和随机森林(Random Forest,RF)的脑电信号分类方法.首先对脑电信号进行预处理,然后利用局部均值分解(Local Mean Decomposition,LMD)将预处理后的脑电信号分解为多个乘积函数(Product Function,PF)分量,并选出最具判别性的PF分量,再利用共空间模式(Common Spatial Pattern,CSP)分别对选出的PF分量进行特征提取,最后将得到的CSP特征输入随机森林分类器中进行分类识别.实验结果表明,该方法的平均分类准确率高达92.18％,远高于其他方法,证明了该方法的有效性.     

多任务运动想象脑电特征的融合分类研究

针对运动想象脑-机交互任务模式单一、识别精度低、实用性较差等问题,采用改进的共空间模式（CSP）的特征提取方法,并利用支持向量机（SVM）与CSP融合分类方法对多类任务运动想象脑电特征进行分类识别。首先,选择特定导联上的脑电信号进行小波分解与重构,去除冗余信息;其次,利用特征参数做差的方法,得到较为明显的脑电特征;最后,通过SVM融合CSP的分类模式,对脑电特征进行多任务分类。利用BCI竞赛数据,对左手,右手,舌和脚四类运动想象任务的脑电进行识别。结果表明：分类正确率最高达到90.9%,平均正确率为86.8%,Kappa系数为0.8867,信息传输速率可达0.68 bit/trial,能够有效的获得脑电特征并较好的实现多任务运动想象脑电识别。     

脑机接口(BCI)系统的实时数据传输技术研究

脑机接口（BCI）系统包含两大模块：脑电信号采集与处理。其中采集和处理程序间实时数据传输是需要解决的关键问题之一。本系统采用LabVIEW语言开发信号采集程序,考虑程序运行速度,信号处理程序用Visual C^＋＋设计。本文对各种Windows下进程间通信（IPC）机制研究之后,提出用动态链接库（DLL）来实现基于文件映射的共享内存技术。实验结果表明,该技术能够很好地满足采集数据的大批量、高频率和多通道等要求。     

基于大脑神经元放电的脑-机接口技术

基于大脑运动皮层神经元放电的脑-机接口通过记录大脑运动皮层神经元的放电信号控制瘫痪肢体或假肢运动,其软硬件核心为神经元群体解码和神经元放电活动的检测。解码方法分为推理算法和分类器方法,检测方法通过在大脑运动皮层区植入长效电极记录单个或群体神经元的放电活动。分析表明,脑-机接口技术应在更多脑区域上植入长效电极达到更好控制设备的目的,各类解码算法应通过联合并加入反馈信号提高对神经元信号的解码效果。     

基于散度分析的脑电信号特征选择

为准确选择脑电信号的频率与通道参数,提高样本的分类识别率,提出一种基于散度的脑电信号特征选择方法。利用散度分析算法从样本数据的原始特征中选取散度值较大的k个特征,并对其进行基于共空间模型的特征提取与线性判别分类器的分类识别。使用2005年BCI竞赛提供的IVa数据集5位样本数据进行实验,结果表明,采用散度分析算法得到的测试样本与训练样本平均识别率为95.54%和84.57%,均高于相关系数和互信息选择算法。     

改进的半监督聚类在MEG脑机接口中的应用

脑磁信号(MEG)作为一种新的脑机接口(BCI)输入信号,含有手运动方向的模式信息。鉴于半监督聚类融合了训练数据先验知识的优势,提出一种基于训练中心的半监督模糊聚类算法。该算法分为降维和改进的半监督聚类,采用主成分分析和线性判别分析将高维数据降到低维,改进的半监督聚类在对训练数据进行模糊聚类的基础上,将得到的聚类中心加权到测试数据聚类过程中,以增加测试数据聚类中心的鲁棒性。结果表明,该算法识别率较高,平均识别率达到了55.1%,优于BCI竞赛Ⅳ的最好结果46.9%。     

Classification of multiple motor imagery using deep convolutional neural networks and spatial filters

Brain–Computer Interfaces (BCI) are systems that translate brain activity patterns into commands for an interactive application, and some of them recognize patterns generated by motor imagery. Currently, these systems present performances and methodologies that still are not practical enough for realistic applications. Therefore, this paper proposes two methodologies for multiple motor imagery classification. Both methodologies use features extracted by a variant of Discriminative Filter Bank Common Spatial Pattern (DFBCSP) presented in this paper. The frequency bands selection in this variant is carried out by a novel iterative algorithm that selects the frequency band that attains the highest classification accuracy for specific binary classification. For each binary combination of classes, a frequency band is selected. The resulting samples are then set into a matrix which feeds one or many Convolutional Neural Networks previously optimized by using a Bayesian optimization. The first methodology applies a Convolutional Neural Network (CNN) for the classification of all classes and the second is a modular network composed of four expert CNNs. In this modular network, each expert CNN performs a binary classification, and a fully connected network analyzes their results. To validate both approaches two datasets were used, the BCI competition IV dataset 2a and another presented in this paper recorded from eight subjects by using the OpenBCI device. The experimental results demonstrated an improvement in the classification accuracy over many classic intelligent recognition methods, without a high computation time in order that they can be implemented in an online application.     

脑控: 基于脑——机接口的人机融合控制

近年来,一类被称之为脑控的新型控制系统发展迅速, 这是一种基于脑--机接口(Brain-computer interface, BCI)的人机融合控制系统, 也是一种基于人的意念和思维的控制系统. 脑控系统已被成功应用于残疾人的生活辅助、中风病人和损伤肢体的康复训练、 操作员状态的实时监控、游戏娱乐和智能家居等广泛的领域. 本文在简要介绍了脑控的研究背景、基本原理、系统结构和发展概况的基础上, 着重对脑电信号(Electroencephalogram, EEG)模式、控制信号转换算法和应用系统研究等主要问题的研究现状, 进行了较为详细的论述和分析, 并探讨了进一步研究的方向和思路. 最后对脑控的未来发展方向和应用前景进行了分析和展望.     

基于多模态脑机接口的智能小车自动驾驶系统

在传统的控制系统当中, 人们依赖于使用手柄、操纵杆等设备来与外部设备实现人机交互, 这对于具有运动障碍的患者来说是具有挑战的. 而脑机接口(BCI)技术可通过脑环将脑电信号转化为对外界设备的控制命令, 使这些患者可以由大脑“意识”直接控制外部设备. 本文提出一种基于多模态脑机接口的智能小车自动驾驶系统, 该系统融合了受试者的脑电信号、眼电信号和陀螺仪信号3种模态的信号来控制小车. 其中, 脑电信号用于控制小车的速度, 眼电信号用于控制小车的启停, 陀螺仪信号则用于控制小车的转向功能. 此外, 我们还融合了计算机视觉技术, 为智能小车增加了自动驾驶功能, 使得控制更加智能化. 经过实验表明, 10名受试者使用该系统控制小车的平均准确率达到了92.47%, 平均响应时间为1.55 s, 平均信息传递速率达到了55.94 bit/min, 从而说明该控制系统是有效且高效的. 此外, 为了验证小车的自动驾驶功能, 我们设置了多个对比实验进行验证. 实验结果表明, 与手动驾驶相比, 虽然该自动驾驶系统在操控小车的速度上存在劣势, 但是在准确率与稳定性上具有更好的性能优势. 证明该系统可以为残障人士带来更好的操控体验, 在脑控应用和自动驾驶领域具有广阔的应用前景.     

基于支持向量机的脑电信号中左右手判别

在脑-机接口的研究中分类识别技术占有重要地位。介绍了一种方法,用于对单次信号的分类。这种方法主要思想是将共空域子空间分解和支持向量机相结合,以便提取信号特征。该方法被用于“BCI Competition 2003”第IV数据包上,分类正确率达89%。     

基于汉语音位发音想象的脑机接口研究

该文提出了一个基于汉语音位发音想象的脑机接口系统框架,使得受试者使用脑机接口系统时能更加自然和流畅。三名受试者参与了本实验研究,实验过程中受试者被要求想象四个汉语元音和四个辅音音位的发音部位及语音发音,以及一个不作想象任务的控制条件,同时记录其脑电数据。在数据处理阶段,本文对采集到的头皮脑电数据进行了频域、时域、空域分析,以提取出音位发音想象效应最优化的特征向量用于提高每两个条件间的配对分类效果。实验结果表明,音位发音想象效应的最优脑电频段为2~10Hz,时段为刺激呈现后300~500ms,头皮空间分布主要集中在感觉运动皮层区域。音位发音想象任务和控制条件相比具有较高的分类正确率,最高可达83%,为基于音位发音想象的汉语脑机接口系统研究提供了理论基础。此外,刺激材料间的Jaccard距离和分类正确率的高度相关性表明,音位发音想象任务可被视为复杂的发音器官运动想象任务,并且可由人脑感觉运动皮层区域的脑电信号来解码预测。