新颖的稳态视觉诱发电位脑机接口系统

传统的稳态视觉诱发电位（SSVEP）脑机接口系统无法与现实世界进行交互,长时间单调的光闪烁刺激容易导致视觉疲劳,影响识别精度。为了增强人与机器的交互以及对环境的感知,设计了增强现实（AR）和SSVEP结合的范式,在真实环境下对物体进行识别与追踪,并将闪烁块对物体进行标记,采用滤波器组典型相关分析（FBCCA）方法对脑电信号进行处理。结果表明,系统的控制信号传输速度达到50.69 bit/min,FBCCA的识别正确率为99.68%,能够在1 s内对4个目标中的意图目标进行有效区分。研究表明,基于SSVEP和增强现实的脑机接口系统更适合于复杂的现实环境。     

基于SSVEP直接脑控机器人方向和速度研究

直接用思维意图来控制机器人而没有大脑外周神经和肌肉的参与是人类的一个梦想,目前这一研究已成为国际前沿热点和突破点.传统的脑控机器人（Brain-controlled robot,BCR）主要控制其方向,而本文旨在探讨能够同时脑控机器人方向和速度的有效方法.采用可分类目标数多、单次识别率高且训练时间短的稳态视觉诱发电位（Steady state visual evoked potentials,SSVEP）脑机交互（Brain-computer/machine interaction,BCI/BMI）方法,为脑控机器人运动规划了向左、向右、前进和后退4个方向,设计了低速、中速和高速3级运动速度并组合了9个脑控指令;进而比较并优化了SSVEP刺激目标布局间距以及刺激目标闪烁时间,采用典型相关分析（Canonical correlation analysis,CCA）进行识别.结果表明恰当设置SSVEP刺激目标数及其布局间距和刺激目标闪烁时间,可以有效提高被试/用户直接脑控机器人的性能;优化的SSVEP刺激范式三结合适应SSVEP解码的典型相关分析,8名被试脑控机器人到达终点平均用时为2分40秒,最少用时1分29秒;同时,在脑控机器人运动过程中触碰障碍平均次数为0.88,最少碰触次数为0.本研究显示基于SSVEP的脑机交互可以作为直接脑控机器人灵活运动的一种可选方法,能够实现对机器人多个运动方向和多级速度的控制;也证实了适当增加刺激目标间距可以有效提高SSVEP-BCI脑控指令识别的正确率,说明了该脑控方法的性能与刺激被试的范式有关;再次验证了CCA算法在基于SSVEP的脑机交互中具有优良的效果.最后,为克服单一SSVEP范式存在的局限,本研究也尝试把该范式与运动想象相结合的混合范式用于脑控机器人方向和速度,并进行了初步的研究,表明可以进一步改善控制速度和提高被试舒适度.本文可望为基于SSVEP或与运动想象混合的脑机交互应用于分级或精细控制机器人方向和速度提供思路,并为直接脑控机器人技术推向实际应用打下一定的基础.     

基于诱发脑电的人机交互系统的设计与实现

提出一种基于稳态视觉诱发脑电（SSVEP）的人机交互控制系统的设计方法。该系统采用闪烁刺激使操作者产生SSVEP信号,通过采集电路将信号送入PC中,由软件对其进一步处理和分析,提取出刺激器的闪烁频率,进而转换成相应的控制命令控制机械手臂操作。由于采用软硬件相结合的刺激源、信号逐级放大的电露设计、程序在线检测算法等,系统具有很好的人机交互的实时性和稳定性。检测算法对SSVEP的识别准确率达到90％以上。     

基于高频稳态视觉诱发电位的仿人机器人导航

针对中低频稳态视觉诱发电位（steady-state visual evoked potential,SSVEP）易于导致视觉疲劳的缺点以及现有高频范式对视觉激励载体要求较高的不足,通过应用相位编码方法,基于普通液晶显示器搭建了面向仿人机器人导航的高频SSVEP用户界面;同时针对高频SSVEP较难识别的特点,提出一种新的模糊分类方法来提高脑电信号解码效率．仿人机器人导航实验表明,基于中频SSVEP范式的脑—机器人导航系统的准确率、碰撞次数、操作频率分别为92.44%、2.14次、11.23次/min,而且极易使受试感到不适．而高频SSVEP的应用缓解了视觉疲劳,将导航系统的准确率、碰撞次数、操作频率分别提升至93.31%、1.89次与12.05次/min．     

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.     

SD大鼠光刺激视觉诱发电位提取研究

在生物神经学领域,从脑电信号中提取出诱发电位对动物视觉图像恢复的研究具有重要作用。以Sprague-Dawley（SD）大鼠的脑电信号为研究对象,采用均值法和改进的Mallat多分辨率小波快速变换算法相结合的方法对SD大鼠脑电信号进行提取处理,得到了光刺激视觉诱发电位的主要特征。通过和SD大鼠视觉诱发脑电信号的拟合度仿真表明算法所得到的大鼠光刺激视觉诱发电位主要特征可以用于SD大鼠视觉图像恢复的处理。     

面向脑电情感识别的改进多分类RVM模型研究

从相关向量机（RVM）和支持向量机（SVM）的相似性以及RVM的稀疏特性出发，将RVM应用于脑电信号（EEG）的情感识别中。针对一对一（OAO）和一对多（OAA）两种多分类方法各自的特点和不足，提出了一种全新的两层多分类模型（OAA-OAO），改进现有OAO算法中无效投票影响最终决策的现象。设计情感EEG信号识别对比实验，验证基于RVM的改进多分类算法在脑电信号情感识别中的应用。对于实验室采集的情感脑电信号，提取其非线性特征（功率谱熵、样本熵和Hurst指数）并采用主成分分析法进行降维。将OAA-OAO-RVM算法分别和OAO-SVM、OAO-RVM两种识别网络进行对比，分析RVM的识别性能以及OAA-OAO多分类算法的分类性能。结果表明，采用降维后的最优特征集合作为识别网络的输入向量得到的识别性能更高，且RVM表现出的性能优于SVM。同时，改进后的OAA-OAO算法较传统OAO模型的平均识别率提高了7.89%，证明OAA-OAO算法可有效去除一部分无效投票从而使分类精度得到显著提高，验证了此模型是一种有效的多分类模型。     

基于深度卷积神经网络的脑电信号情感识别

为了点对点自动学习脑电信号（Electroencephalogram,EEG）空间与时间维度上的情感相关特征,提高脑电信号情感识别的准确率,基于DEAP数据集中EEG信号的时域、频域特征及其组合特征,提出一种基于卷积神经网络（Convolution Neural Network,CNN）模型的EEG情感特征学习与分类算法。采用包括集成决策树、支持向量机、线性判别分析和贝叶斯线性判别分析算法在内的浅层机器学习模型与CNN深度学习模型对DEAP数据集进行效价和唤醒度两个维度上的情感分类实验。实验结果表明,在效价和唤醒度两个维度上,深度CNN模型在时域和频域组合特征上均取得了目前最好的两类识别性能,在效价维度上比最佳的传统分类器集成决策树模型提高了3.58%,在唤醒度上比集成决策树模型的最好性能提高了3.29%。     

舒尔特方格与LSTM的注意力分级建模

在基于脑电信号的注意力分级研究中,存在两个亟待解决的技术难点。第一不同注意类型的脑电数据采集及标注困难;第二脑电特征提取算法忽视原始脑电信号时序特征。针对以上问题,设计了基于视觉搜索和反应时技术的舒尔特方格范式,实现对不同注意类型脑电数据的采集以及自动标注;设计长短期记忆深度学习网络（LSTM）实现对注意力分级,保存原始脑电信号的时序特征。实验结果表明,注意力分级模型可以很好区分高中低三种注意力水平;对比现有的五种基于EEG信号的注意力分级算法,小波变换（DWT）、近似熵、共空间模式（CSP）、基于相干系数的脑网络和卷积神经网络（CNN）,在相同的EEG数据集上,该注意力分级模型识别准确率最高,高出DWT算法21.49个百分点;高出近似熵算法25.82个百分点;高出CSP算法20.53个百分点;高出基于相干系数的脑网络算法13.32个百分点;高出CNN9.05个百分点。     

基于ERP信号的目标检测研究综述

目标检测技术应用广泛,现有的基于计算机视觉的目标检测方法由于目标遮挡、光照强弱等因素难以适应复杂场景的需求。而人脑的高级认知能力和快速感知能力在处理复杂情况时具有一定的优势。基于事件相关电位（Event-Related Potentials,ERP）的脑机接口（Brain Computer Interface,BCI）系统与特定事件相关,可检测独立于自发脑电的高级认知活动,是当前人工智能领域的研究热点之一。针对基于ERP信号的目标检测各个环节进行了研究现状的全面归纳,梳理了以快速串行视觉呈现（Rapid Serial Visual Presentation task,RSVP）为主的实验范式,包括呈现模式、目标视场角、目标复杂度等设计因素。总结了脑电信号分析中的预处理方法、特征提取和特征分类算法,介绍了其在人脸识别、军事作战、医学分析等领域中的初步应用。探讨了目前研究中存在的问题和挑战并展望未来的研究方向与应用前景。     

一种基于人体脑电信号的机械手臂控制系统研究

文章提出了一种基于脑电信号的机械手臂控制系统的设计思路。该系统主要由电极、脑电采集电路、在线检测算法、外设等部分组成。系统采用闪烁刺激使操作者产生基于稳态视觉的诱发电位信号,通过采集电路将信号送入计算机中,由软件对其进一步处理和分析,转换成相应的控制命令控制机械手臂操作。检测算法中解决了脑电信号基线漂移和能量波动问题的困扰。实验显示,系统具有很高的检测实日寸性和准确率。     

含伪结的RNA分子二级结构预测

预测含伪结的RNA分子二级结构是生物信息学的一个研究难点。利用多分类支持向量机结合贝叶斯神经网络针对含伪结的RNA分子二级结构进行预测。利用多分类支持向量机进行预测,输出端得到相应碱基的平面伪结结构的E-NSSEL（Extend New Secondary Structure Element Label）类别标签。使用碱基已预测的结果通过贝叶斯神经网络进行修正,并恢复RNA分子二级结构。使用该方法能有效地改善含伪结的RNA分子二级结构的预测效果。     

基于IMF能量谱的水声信号特征提取与分类

经验模态分解（EMD）是用来处理非平稳时变信号的一种信号分析方法,该方法对所分析信号的局部特征信号进行不同时间尺度的分解,从而得到这些局部特征信号的各阶本征模函数（IMF）。提出了一种基于IMF能量谱的水声信号特征提取与选择方法,通过对水声信号进行经验模态分解,提取信号的本征模式分量并转换为能量谱特征向量,从而观测不同信号子频带能量谱的特征变化。分类实验采用支持向量机（SVM）分类器进行。实验结果表明,相对于小波能量谱特征提取法而言,利用IMF能量谱作为特征向量的分类实验具有更佳的分类效果,平均正确率达88%以上。     

基于决策树和相关向量机的智能故障诊断方法

针对故障诊断面临的故障样本少、非线性强、多故障处理等问题以及传统智能诊断方法存在的不足,提出了一种基于决策树（DT）和相关向量机（RVM）的智能故障诊断方法。通过构造决策二叉树,将多类分类问题分解成多个二类分类问题;在各个决策节点,利用RVM进行二类分类,从而实现RVM的多类分类。理论分析及仿真结果表明,相比支持向量机,新方法在保持高诊断正确率的同时具有更高的稀疏性和诊断效率,并且能够提供概率式输出,更具实用价值;相比OAR-RVM和OAO-RVM方法,新方法节省了训练时间,具有更高的训练效率。     

基于半模糊核聚类算法的收视率预测研究

收视率是电视行业重要的指标之一,对电视机构运营决策具有重要参考价值。针对收视率数据影响因素众多,变化趋势复杂等特点,提出了一种基于半模糊核聚类的超球支持向量机分类方法,基于半模糊核聚类生成模糊类,在其边缘样本信息基础上,利用超球支持向量机进行多类分类,从而有效提高分类器性能。实验表明,该方法比传统方法具有更高的速度和精度。     

基于支持向量机与反K近邻的分类算法研究

针对支持向量机在对样本进行分类时,决策超平面附近的点较易错分的问题,首先将反K近邻法引入分类问题,提出了反K近邻分类算法;然后,将支持向量机（SVM）与反K近邻分类算法（RKNN）相结合,提出了基于支持向量机与反K近邻的分类算法（SVM-RKNN）;最后,为了避免单一分类器可能存在的片面性问题,提出了基于SVM-RKNN的多特征融合分类方法。实验结果表明：SVM-RKNN分类算法的分类准确率比SVM方法平均提高了2.13%,而基于SVM-RKNN的多特征融合分类算法的分类准确率分别比SVM和SVM-RKNN算法平均提高了2.54%和0.41%。     

基于局部二元模式的面部表情识别研究

提出了一种基于局部二元模式（Local Binary Pattern,LBP）与支持向量机（SVM）相结合的面部表情识别方法。使用LBP算子对图像进行处理,对图像的模式进行统计形成面部表情特征;使用线性判别分析对表情特征进行降维处理;采用支持向量机对面部表情进行分类。用Matlab实现了上述方法,并在日本女性人脸表情（JAFFE）数据库上测试,取得了70.95%的识别率。     

基于心电脉搏特征的视觉疲劳状态识别

为从生物医学信号角度检测和评估视觉疲劳，模拟VDT作业环境，对35位健康被试者进行1.5 h的VDT疲劳实验。使用MP425数据采集卡和LabVIEW构成的数据采集系统同步采集心电(ECG)和脉搏波信号，经信号预处理分析后，提取实验前后的ECG和脉搏波信号特征。研究结果表明，ECG和脉搏波信号特征在实验前后有较大变化，采用支持向量机法对实验前后的ECG脉搏组合特征进行分类，正确率可达100%。