运动想象脑电信号特征提取与分类算法研究

针对运动想象脑电信号特征提取困难,分类正确率低的问题,提出了利用小波熵进行特征提取并采用支持向量机（SVM）来分类的算法。计算运动想象脑电信号的功率,通过理论分析选择小波包尺度,对信号功率进行小波包分解并计算其小波包熵（WPE）,提取C3、C4导联的小波包熵插值组成特征向量,将特征向量作为分类器的输入送入支持向量机进行分类。采用国际BCI竞赛2003中的Graz数据进行验证,算法的最高分类正确率达97.56%。算法特征向量维数低、数据量小、分类正确率高,对运动想象脑电信号特征提取及分类的任务可以提供参考方法。     

基于功率谱熵和频带能量的运动意识任务分类研究

提出以信号功率谱熵和频带能量作为组合脑电特征向量,运用时变线性分类算法对左右手运动意识任务分类的方法.C3、C4电极脑电信号8～24Hz功率谱熵和频带能量随时间变化的规律很好地反映了ERD/ERS现象,将两种特征组合用于分类,得到了满意的结果.由于功率谱峰熵和频带能量计算比较简单,稳定性好,识别率高,可在线识别左右手想象运动.     

想象左右手运动的脑电特征提取

针对脑机接口中脑电信号特征提取的传统方法特征数量多、计算量大及分类正确率低等不足,提出了一种基于时域、频域、空域结合的方法用于提取大脑在想象左右手运动时所产生的事件相关去同步(ERD)和事件相关同步(ERS)信号.分别用独立分量分析(Independent Component Analysis, ICA)和小波变换提取原始脑电信号的空域特征及时频域特征,并用BP(Back Propagation )神经网络对提取的特征进行分类.分类实验结果表明,运用提出的方法提取的想象左右手运动脑电的特征,有效克服了传统的仅基于时频域特征提取方法在描述脑电信号本质特征方面的不足,具有较好的分类正确率.     

支持向量机在脑电信号分类中的应用

首先采用小波变换提取精神分裂症与健康人的脑电信号频率和空间的能量特征，然后用基于统计学习理论的支持向量机(SVM)分类器进行训练和分类测试，并比较了不同核函数和参数对脑电信号分类正确率的影响，最后与RBF神经网络的分类能力进行了实验比较。试验结果表明，利用基于支持向量机和能量特征的方法实现对脑电信号的分类可以取得理想的效果，精神分裂症患者和健康人的16导脑电信号在能量特征上表现出较高的模式可分性。这种分类方法在精神分裂症患者的病理诊断中具有一定的应用价值。     

一种新的BP学习算法及在运动想象脑电信号分类识别中的应用

对运动想象(MI)脑电信号的正确分类是决定基于运动想象脑电的脑－机接口(BCI)性能的关键因素。为有效地提取MI脑电信号特征、提高分类正确率,提出一种基于单形进化的BP神经网络优化算法(BPSSSE)并运用于MI脑电信号的识别,提取自相关(AR)模型参数和希尔伯特边际谱作为特征输入,通过单形进化算法优化BP神经网络学习性能,实现对MI脑电信号的分类。测试实验中,对BCI竞赛数据进行左右手分类。结果表明在4s~ 8s时间段内平均分类正确率为80.17%,最高分类正确率为87.14%,证明了本文算法在基于MI脑电的脑机交互控制系统中应用研究的有效性和可行性。     

基于因子分析模型的噪声稳健脑电信号分类方法

脑电信号的非线性、非平稳性和微弱性造成对运动想象脑电信号的分类存在特征提取困难,分类结果不理想,分类性能受噪声影响明显等问题。为此,提出了一种基于因子分析(Factor Analysis,FA)模型的噪声稳健运动脑电信号分类方法。首先利用FA模型对脑电信号中存在的噪声分量进行抑制,针对重构信号可分性较差的问题,将其转换至功率谱域,进而提取三维能够反映不同运动状态的功率谱特征,最后利用支撑向量机(Support Vector Machine,SVM)分类器对所提特征向量进行分类判决。基于Graz数据的验证实验表明,所提方法可以明显提升低信噪比条件下的分类性能,在实际工程应用中具备较强的推广泛化能力。     

面向特征融合的脑卒中脑电信号分类方法

为了实现脑卒中患者中脑梗死、脑出血两类疾病脑电信号的高效分类与检测,提出了一种基于小波包能量与近似熵特征提取结合的脑电自动分类预测方法。将输入的脑卒中病人的脑电信号进行小波包分解,提取各个频段的能量并降维,而后与近似熵融合作为特征向量,并用支持向量机算法对其进行分类。研究结果表明该方法有较强的脑电特征分类识别能力,进一步单独提取原始脑电信号α波段的信号进行分类,得到了更优的分类效果,脑卒中脑电信号的分类准确率可以达到98.36%。这对临床上实现脑卒中疾病的智能预测具有辅助决策作用。     

左右手想象运动的脑电信号分类识别

利用脑电信号的事件相关同步/去同步(ERS/ERD)现象,针对脑电信号的非平稳随机特性,采用短时傅里叶交换(STFT)提取信号的时频特征,并分别用fisher分类器、人工神经网络(ANN)和支持向量机(SVM)对特征进行模式分类,正确率分别为66.2%(53/80),72.5%(58/80),81.2%(65/80).实验结果表明STFT能有效提取脑电信号特征,且SVM是一种较优的分类方法.     

基于新型能量算子和多尺度熵的癫痫自动检测

提出癫痫检测的新算法,创新地使用新型能量算子和多尺度熵,不仅能够实时跟踪脑电信号能量,而且可以在脑电信号未知情况下提取其有效的特征信息。对脑电信号进行一定尺度的小波变换;利用新型Teager能量算子和多尺度熵提取脑电信号的非线性特征,将特征信号输入到极限学习机中,用来识别正常脑电信号与癫痫脑电信号。实验结果表明,此方法具有高分类精度,可达到98.89%,优于文献中所报道的多种检测方法,可以应用于癫痫临床检测。     

表面肌电信号的分解算法研究

为提高表面肌电信号分解的正确率以及完整性,提出一种表面肌电信号的自动分解算法。考虑到其较低的信噪比,先是采用小波降噪法对信号进行降噪处理,并计算信号的非线性能量算子以加强信号波峰值。之后采用低频小波系数和高频小波系数相结合的特征值来表征运动单元动作电位,最后使用小波神经网络完成对活动段的分类。同时,为了实现表面肌电信号的分解完整性,采用递归模版算法对所提取的叠加波形加以分解。实验结果表明,该分解算法能够成功地提取到中低收缩水平下表面肌电信号中的运动单元动作电位的发放信息,同时也能够有效地对叠加波形进行分解。     

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.     

基于眼动辅助脑电信号的手部动作分类方法

提出一种利用小波包变换和支持向量机对手部动作的运动想象脑电信号进行分类的方法。在相关眼动辅助情况下采集想象手部动作时的C3、C4 、P3和P4通道脑电信号,用小波包变换的方法提取4种特征节律波,分别计算每种节律波能量占4种节律波能量之和的比值作为特征,然后将16维特征向量输入支持向量机分类器进行手部动作分类。对上翻、下翻、展拳、握拳4种手部动作的分类实验中平均识别率为82。3%,表明眼动辅助能有效提高运动想象脑电信号可分性。     

Discrimination of Motor Imagery Patterns by Electroencephalogram Phase Synchronization Combined With Frequency Band Energy

Central nerve signal evoked by thoughts can be directly used to control a robot or prosthetic devices without the involvement of the peripheral nerve and muscles. This is a new strategy of human-computer interaction. A method of electroencephalogram (EEG) phase synchronization combined with band energy was proposed to construct a feature vector for pattern recognition of brain-computer interaction based on EEG induced by motor imagery in this paper. rhythm and beta rhythm were first extracted from EEG by band pass filter and then the frequency band energy was calculated by the sliding time window; the instantaneous phase values were obtained using Hilbert transform and then the phase synchronization feature was calculated by the phase locking value (PLV) and the best time interval for extracting the phase synchronization feature was searched by the distribution of the PLV value in the time domain. Finally, discrimination of motor imagery patterns was performed by the support vector machine (SVM). The results showed that the phase synchronization feature more effective in 4 s-7 s and the correct classification rate was 91.4 %. Compared with the results achieved by a single EEG feature related to motor imagery, the correct classification rate was improved by 3.5 and 4.3 percentage points by combining phase synchronization with band energy. These indicate that the proposed method is effective and it is expected that the study provides a way to improve the performance of the online real-time brain-computer interaction control system based on EEG related to motor imagery.      

多频带频域深度置信网络脑电特征识别算法

针对DBN（深度置信网络）脑电信号识别率不高的问题,提出了多频带频域深度置信网络（multi-band FDBN）算法进行特征提取.不同频带存在个体性差异,它们对于分类结果的贡献不完全相同,本文利用带通滤波器将原始的脑电信号分成多个频段,再采用FFT（快速傅里叶变换）将时域信号转换为频域信号并作归一化处理,最后将每个频段的频域数据输入DBN进行训练识别.线下实验证明,相比FDBN（频域深度置信网络）算法,多频带FDBN的平均准确率提高了3.25%,且标准差更小,鲁棒性更好.最后,在智能轮椅平台上,利用多频带FDBN算法基于左右手运动想象脑电信号控制轮椅完成了"8"字形路径,证明了该算法在脑电信号特征提取中的有效性.     

Spectral entropy feature subset selection using SEPCOR to detect alcoholic impact on gamma sub band visual event related potentials of multichannel electroencephalograms (EEG)

The problem of analyzing and identifying regions of high discrimination between alcoholics and controls in a multichannel electroencephalogram (EEG) signal is modeled as a feature subset selection technique that can improve the recognition rate between both groups. Several studies have reported efficient detection of alcoholics by feature extraction and selection in gamma band visual event related potentials (ERP) of a multichannel EEG signal. However, in these studies the correlation between features and their class information is not considered for feature selection. This may lead to redundancy in the feature set and result in over fitting. Therefore in this study, a statistical feature selection technique based on Separability & Correlation analysis (SEPCOR) is proposed to select an optimal feature subset automatically that possesses minimum correlation between selected channels and maximum class separation. The optimal feature selection consists of a ranking method that assigns ranks to channels based on a variability measure (V-measure). From the ranked feature set of highly discriminative features, different subsets are automatically selected by heuristically applying a correlation threshold in steps from 0.02 to 0.1. These subsets are applied as input features to multilayer perceptron (MLP) neural network and k-nearest neighbor (k-NN) classifiers to discriminate alcoholic and control visual ERP. Prior to feature selection, spectral entropy features are computed in gamma sub band (30–55 Hz) interval of a 61-channel multi-trial EEG signal with multiple object recognition tasks. Independent Component Analysis (ICA) is performed on raw EEG data to remove eye blink, motion and muscle artifacts. Results indicate that both classifiers exhibit excellent classification accuracy of 99.6%, for a feature subset of 22 optimal channels with correlation threshold of 0.1. In terms of computation time, k-NN classifier outperforms multilayer perceptron-back propagation (MLP-BP) network with 7.93 s whereas MLP network takes 55 s to perform the recognition task with the same accuracy. Compared to feature section methods used in previous studies on the same EEG alcoholic database, there is a significant improvement in classification accuracy based on the proposed SEPCOR method.     

脑—机接口研究中想象动作提取的新方法

想象动作提取是脑—机接口（BCI）技术的关键和难点之一．本文采用连续小波变换结合贝叶斯神经网络组成新的分类方法，利用想象动作思维引起的事件相关去同步（ERD）现象进行特征脑电信息检测与模式识别．研究表明，该方法较常用的线性分类器具有更高的识别准确率和较强的抗干扰能力及较快的识别速度，基本可以满足实时BCI系统模式识别的需求．     

分层向量自回归的多通道脑电信号的特征提取研究

有效的特征提取方法能提高脑机接口（Brain-computer interface,BCI）系统对脑电（Electroencephalogram,EEG）信号的识别率.因脑电信号都是多通道的,本文将分层向量自回归（Hierarchical vector autoregression,HVAR）模型用于脑电信号的特征提取,并结合传统的线性支持向量机（Support vector machine,SVM）用于脑电信号识别.该模型不仅克服了自回归（Autoregression,AR）模型只能用来提取单通道特征的局限性,而且不再采用传统VAR（Vector autoregression）模型所有通道共用一个时滞的处理方法.创新之处在于在传统的VAR模型基础上添加正则化思想,有效地压缩参数空间,实现合理的分层结构.本文首次将HVAR模型用于由Keirn等采集并整理的脑电数据中.实验结果证明HVAR模型在阶数较小的情况下（2阶）与阶数较大（6阶）的AR模型效果相当,可见低阶的HVAR能很好地刻画脑电信号的时空关联关系,这说明HVAR可能是刻画EEG信号的一种新颖的方法,这对其他多通道时间序列分析都有借鉴意义.     

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.     

多类运动想象脑电信号的两级特征提取方法

共同空间模式（Common spatial pattern,CSP）是运动想象脑机接口（Brain-computer interface,BCI）中常用的特征提取方法,但对多类任务的分类正确率却明显低于两类任务.通过引入堆叠降噪自动编码器（Stacked denoising autoencoders,SDA）,提出了一种多类运动想象脑电信号（Electroencephalogram,EEG）的两级特征提取方法.首先利用一对多CSP（One versus rest CSP,OVR-CSP）将脑电信号变换到使信号方差区别最大的低维空间,然后通过SDA网络提取其中可以更好表达类别属性的高层抽象特征,最后使用Softmax分类器进行分类.在对BCI竞赛IV中Data-sets 2a的4类运动想象任务进行的分类实验中,平均Kappa系数达到0.69,表明了所提出的特征提取方法的有效性和鲁棒性.     

Probabilistic neural networks combined with wavelet coefficients for analysis of electroencephalogram signals

Abstract: In this paper, the probabilistic neural network is presented for classification of electroencephalogram (EEG) signals. Decision making is performed in two stages: feature extraction by wavelet transform and classification using the classifiers trained on the extracted features. The purpose is to determine an optimum classification scheme for this problem and also to infer clues about the extracted features. The present research demonstrates that the wavelet coefficients obtained by the wavelet transform are features which represent the EEG signals well. The conclusions indicate that the probabilistic neural network trained on the wavelet coefficients achieves high classification accuracies (the total classification accuracy is 97.63%).