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。     

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。     

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。     

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ERS/ERD的二级共空间模式的运动想象脑电信号特征提取

针对多类运动想象EEG信号在脑-机接口方面存在分类识别率低和被试者差异性的问题,提出了一种基于ERS/ERD现象的二级共空间模式特征提取的方法。首先对全部导联进行特定频段的小波包降噪和分解;其次对分解系数重构后的信号以手(左、右)和脚(脚、舌)这二类进行一级共空间模式获取空间滤波器并对其采用2-范数筛选准则,提取权重系数较大的N个导联;然后以优化导联的投影矩阵对手与脚进行空间滤波后的信号分别作为原始信号进行二级空间模式特征提取;最后采用支持向量机进行分类。采用BCI2005Ⅲa中三位被试者的数据进行仿真验证,得到分类正确率最高达到92.55%。结果表明,该方法对EEG信号的特征提取具有较好的效果。     

基于多时窗共空间模式的HMM运动想象脑电识别

运动想象脑电具有识别效果不佳及复杂时序信号建模困难的问题;提出一种基于多时窗共空间模式的隐马尔可夫模型运动想象脑电识别方法,首先将运动想象脑电划分为多个短时窗信号,然后使用共空间模式提取特征序列,以滤除脑电通道间的冗余信息,最后采用前向-后相算法与Viterbi算法求解隐马尔可夫模型并完成分类识别;将本文方法在公开运动想象脑电数据集上进行实验,得到77.17%的分类正确率,相较隐马尔可夫模型算法提升了5.74%,验证了所提方法的有效性。     

基于多类运动想象任务的EEG信号分类研究

针对多类运动想象脑电信号个体差异性强和分类正确率比较低的问题,提出了一种时-空-频域相结合的脑电信号分析方法:首先利用小波包对EEG原始信号进行分解,根据EEG信号的频域分布提取出运动想象脑电节律,通过“一对多”共空间模式(CSP)算法对不同运动想象任务的脑电节律进行空间滤波提取特征;然后将特征向量输入到“一对多”模式下的支持向量机(SVM)中,并利用判断决策函数值的方法对SVM的输出结果进行融合;最后通过引入时间窗对脑电信号进行时域滤波,消除运动想象开始和结束时脑电的波动,进一步提高信号信噪比和算法的分类效果;实验结果显示:在时间窗为2 s时,平均最大Kappa系数达到了0.72,比脑机接口竞赛第一名提高了0.15,验证了该算法能够有效减小脑电信号个体差异性影响,提高多类识别正确率。     

基于运动想象的脑电小车控制系统设计

为了实时采集并判断和分类人脑运动感知信息,文中基于人脑运动想象脑电信号设计了一套以共空间模式特征提取算法和支持向量机分类算法为核心的采集与判别系统,能够实时采集并分类人脑自发脑电信号,将不同运动想象的结果作为指令表达在智能小车的运动状态上,从而实现脑电实时直接控制小车实物。在此设计中完成了对系统整体的调试并对脑电等相关数据进行采集处理。分析结果表明,该系统稳定,分类准确率高,符合预期的设计要求。     

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。     

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。     

一种基于时–空–频联合选择与相关向量机的 运动想象脑电信号分析算法

研究表明:不同受试者由于个体差异,会引起在执行相同运动想象任务时,产生与受试者关联的特定脑电信号特征,这是设计脑机接口系统面临的一个实际问题.为解决这个问题,本文提出了一种基于时–空–频联合特征的提取方法.首先,对原始118导联的EEG进行空间特征分析,从中提取出与运动想象相关脑区对应的55导联EEG信号.进一步,在训练集上,通过7–折交叉验证,训练出与受试者匹配的时间窗和频带.其次,利用8个共空域滤波器进行特征提取.最后,将获得基于样本的运动想象特征,采用相关向量机进行分类.仿真结果表明:该算法在第3届脑机接口竞赛数据集Data IVa分类上获得5位受试者平均分类精度为94.49%,结果优于当年第1名94.17%.此外,与其他3种常用的方法比较亦具有明显优势.本文提出的基于样本的时–空–频特征提取方法和相关向量机的结合,该算法整体性能优越,为基于运动想象的脑机接口在线系统设计提供了一种新方法.     

基于多参数公共空间频率模式算法的脑电特征提取

针对目前脑机接口中提取明显的脑电信号特征较难以及特征维数较多的缺陷,提出了一种多参数的公共空间频率模式CSSP(Common Spatio-Spectral Pattern)算法对脑电信号进行特征提取。该算法对不同通道的脑电信号采取不同的延时因子,增强了CSSP算法在频域上的滤波效果。在对2003年国际脑机接口BCI(Brain Computer Interface)竞赛的运动想象脑电识别中,利用多参数CSSP特征提取方法结合支持向量机SVM(Support Vector Machine)分类方法,在只提取两维特征的情况下,较公共空间模式CSP(Common Spatial Pattern)与CSSP算法,分类的正确率有了明显提高。同时,多参数的引入使该方法在特征提取上较CSP与CSSP算法具有更强的适用性。     

面向运动想象脑电图识别的镜卷积神经网络

目的 脑电图（electroencephalogram,EEG）是一种灵活、无创、非侵入式的大脑监测方法,广泛应用于运动想象脑机接口系统中,运动想象脑电图识别精度是决定系统性能的关键因素。然而由于脑电图采集时间长、个体差异大等原因,导致单个受试者可用于模型训练的样本数量少,严重影响了卷积神经网络在脑电图识别任务中的表现。为此,本文提出一种镜卷积神经网络（mirror convolutional neural network,MCNN）模型,使用集成学习与数据扩增方法提高运动想象脑电图识别精度。方法 在训练阶段,基于源脑电通过互换左右侧脑电通道构造镜像脑电,并与源脑电一起用于源卷积网络训练,有效扩增了训练样本;在预测阶段,复制已训练源卷积网络作为镜像卷积网络,将测试集中的源脑电输入源卷积网络,构造的镜像脑电输入镜像卷积网络,集成源卷积网络与镜像卷积网络输出的类别预测概率,形成最终类别预测。结果 为了验证模型的有效性和通用性,基于3种不同运动想象脑电图识别卷积网络模型分别构造镜卷积网络,并在第4届脑机接口大赛2a与2b数据集上进行实验验证。实验结果与原始模型相比,运动想象四分类和二分类准确率分别平均提高了4.83%和4.61%,显著提高了识别精度。结论 本文面向运动想象脑电图识别,提出了镜卷积神经网络模型,通过集成学习与数据扩增方法提高运动想象识别精度,有效改善了运动想象脑机接口性能。     

The application of hybrid feature based on local mean decomposition for motor imagery electroencephalogram signal classification

This paper proposed a hybrid feature extraction algorithm based on local mean decomposition (LMD), which has better solved the existing problems of low classification performance and adaptability limitation. LMD is employed to decompose the electroencephalogram (EEG) signal into multiple components, and then, the hybrid features based on instantaneous energy, fuzzy entropy, and mathematical morphological features are extracted on specific components, and the optimal feature combination is selected by analysis of variance (ANOVA). Finally, the classification result is output by the linear discriminant analysis (LDA) classifier. The results show that the maximum accuracy of the subjects in Data Set III of BCI-II by the method in this paper is 92.14%, and the maximum mutual information value is 0.8. The number of novel features used in this paper is small, and the complexity of the algorithm is reduced. It can adaptively select effective features according to individual differences and has good robustness.     

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。     

五种SVM参数寻优识别运动想象脑电比较研究

支持向量机(SVM)在脑电(EEG)分类中效果较好,其参数寻优方法直接关系着分类的准确率和所需时间.为了探索参数寻优对分类效果的影响,本文采用了固定参数寻优、直接寻优、网格寻优、遗传算法(GA)寻优和粒子群优化算法(PSO)寻优五种参数寻优方法,以BCI Competition Ⅳ data 2b数据集进行实验测试,对带通滤波后的数据进行瞬时能量特征的提取,利用五种寻优的参数分类器,得到了9名被试者4～7s时间内数据的分类准确率和分类所需时间.在用网格寻优和粒子群寻优的分类下,被试S4和被试S8的准确率分别高达96.875％和88.125％,用时最短为3.059 s.直接寻优和固定参数方法的准确率虽低,但分类用时仅为0.002 s和1.305 s,实时性上,更加适合于应用到在线系统中.     

面向运动想象脑电信号识别的多层判别字典对学习方法

面向运动想象的脑机接口（brain computer interface,BCI）能够利用自主想象的特定动作触发脑电信号直接实时控制外部电子设备。运动想象脑电信号（motor imagery electroencephalogram,MI-EEG）存在信噪比低、类内差异大、类间差异小等特点,导致MI-EEG的识别率较低且不稳定。针对这一问题,提出了多层判别字典对学习（multilayer discriminant dictionary pair learning,MDDPL）方法。与基于字典学习的MI-EEG识别方法不同,MDDPL将字典对学习融入多层学习模型,通过一系列非线性方法将数据投影到更具判别力的子空间。在综合字典和分析字典的共同作用下,前一层的编码向量作为当前层的输入,同时在每一层模型上构建基于分析字典的多分类项,以保证稀疏编码的分类误差最小化,增强模型的类别区分能力。另外,对最后一层的稀疏编码施加低秩约束,以保证同类编码的紧凑性和相似性。在目标式求解中,使用交替更新策略得到每个参数的解析解,使得参数同时得到最优解。在国际BCI竞赛数据集上的实验结果表明,MDDPL方法在所有对比算法中取得了最佳的分类性能。