运动意识任务的模式识别方法研究

针对脑机接口研究中运动想象脑电信号的模式识别问题,提出了一种基于离散小波变换和AR双谱的特征提取方法.该方法首先利用Daubechies类小波函数对二路脑电信号进行3层分解,抽取小波系数的均值、能量均值、均方差三个特征;然后,采用5阶AR模型进行双谱估计,抽取双谱切片特征;最后,将这两类特征进行组合后使用马氏距离线性判别进行分类.利用BCI2003竞赛的标准数据,该方法使得EEG的识别正确率达到92.86%,与竞赛的最好结果(89.29%)相比提高了3.57%,为BCI研究中脑电信号的模式识别提供了有效的手段.     

基于小波包变换和聚类分析的脑电信号识别方法

为了实现脑-计算机接口(brain-computer interface,BCI)系统,对大脑C3,C4处采集的二路运动想象脑电信号的特征进行了提取和分类.在分析小波包频带划分特点的基础上,利用小波包能量进行特征提取并使用基于马氏距离的线性判别分析进行了左右手运动想象模式分类,结果表明该方法提取的特征向量较好的反映了运动想象脑电信号的事件相关去同步(event-related desynchronization,ERD)和事件相关同步(event-related synchronization,ERS)的变化时程.另外,该方法识别率高,适合脑-计算机接口的应用.     

运动相关思维诱发脑电信息解码与应用综述

运动是人类日常思维与活动最基本、最重要的必需功能之一,各式动作通过神经系统调节肌肉收缩或舒张得以实现。研究运动相关思维诱发大脑神经生理活动信息不仅可深入揭示脑认知与行为的内在神经原理和调控机制,还能为研究开发新型脑-机接口(BCI)系统、更有效辅助运动障碍患者功能康复提供关键科学依据与创新设计思路,具有显见的学术意义和应用价值。主要综述了运动想象(MI)与运动执行(ME)思维所诱发不同脑电(EEG)神经生理特征的异同;重点回顾了基于运动相关思维EEG信息解码BCI在运动意图检测、特定局部肢体运动分类及参数解码与应用的最新研究进展;分析了阻碍其发展的技术难点并探讨了可能化解思路及展望了其未来前景;以期促进相关BCI技术的深入研究与开发应用。     

辅助训练的半监督线性支持向量机用于EEG分类

研究了基于辅助训练思想的半监督线性支持向量机方法在脑机接口EEG分类中的应用.首先采用高斯混合模型、Parzen窗、KN-近邻估计三种方法估计概率密度,得到未标记样本的密度信息,选择部分概率较高样本,使用比较置零法避免错分.其次采用线性支持向量机作为判别分类器得到已选样本的边界信息,通过距离判别条件选出高置信度的样本,使用方向判别条件避免错分.结合密度和边界信息完成高置信度未标记样本选择的方法称为辅助训练半监督支持向量机.本文的实验数据包括g50c、BCI Ⅰ、BCIⅡ_Ⅳ、USPS,分类正确率分别为91.6％,97％,84％,90.4％,运算速度最慢的仅需约3.5s.在分类正确率和运算效率两个方面,均优于自训练半监督SVM、监督SVM两种方法.     

脑机接口中基于WPD和CSP的特征提取

针对脑机接口(brain computer interface,BCI)中2类运动想象任务的特征提取问题,提出了一种小波包分解(wavelet packet decomposition,WPD)与共同空间模式(common spatial pattern,CSP)相结合的脑电信号特征提取方法.该方法首先选择7个重要导联的脑电(electroencephalograph,EEG)信号,用‘haar’小波基进行三阶WPD分解;然后对每个导联分解后的其中5个子带进行重构,获取相关频域信息;最后对重构后信号利用CSP特征提取,获得六维特征向量.CSP与WPD相结合能够充分利用WPD的时频特性,有效避免CSP要求输入导联数过多、缺乏频域信息等缺陷.对2008年国际BCI竞赛数据和本实验室实验数据,采用该方法进行特征提取,通过概率神经网络(probabilistic neural network,PNN)分类.2种数据源分类正确率分别为92％和80％,相对于单纯的CSP特征提取,正确率分别提高5％和20％.实验结果表明:WPD与CSP相结合的特征提取算法能提取明显的特征,进而提高BCI的识别正确率.     

基于ITD和PLV的四类运动想象脑电分类方法研究

针对四类运动想象任务的特征提取问题,提出一种基于固有时间尺度分解(ITD)和相位同步分析相结合的脑电(EEG)信号特征提取方法。采用第3届和第4届BCI竞赛中的4类运动想象数据集,首先选择5个导联的运动想象脑电信号,根据相位同步性计算导联之间的相锁值(PLV),将相锁值作为一类特征;之后利用ITD对5个导联的运动想象脑电信号进行分解,提取第一层固有旋转分量的能量特征,与PLV特征相结合获得十五维特征向量;最后通过支持向量机(SVM)进行分类识别。对12名受试者的平均识别率达到91. 64%,平均Kappa系数达到0. 887,说明该方法能够有效的提取脑电信号特征,进而提高4类运动想象任务的分类准确率。     

基于稀疏组lasso的脑机接口通道和特征选择研究

脑电信号(EEG)特征提取和分类是脑机接口(BCI)系统的核心问题之一。由于BCI系统中EEG信号多通道采样和特征向量的高维性,有效的特征选择算法已经成为研究中不可分割的一部分。针对EEG特征选择问题采用一种新方法:基于封装式稀疏组lasso的EEG融合特征的同时通道和特征选择方法。实验中将该方法与现有的通道选择和特征选择方法进行比较,结果表明,该方法更适用于高维融合特征的最优特征子集选择问题,且该算法稳定、时间成本低。此外,在保证错误率相当或较低的情况下,该方法能够同时实现通道和特征选择。国际BCI竞赛IV的两类运动想象信号的测试错误率为15.28%。     

基于HHT和SVM的运动想象脑电识别

对运动想象脑电信号(EEG)分类识别是脑-机接口(BCI)研究领域的重要问题。本文通过经验模式分解(EMD)将EEG分解为一系列内蕴模式函数(IMF),并对重要IMF的瞬时幅度提取AR模型参数,同时对所有的IMF进行Hilbert变换(HT)得到Hilbert谱,进而求得瞬时能量(IE)。将得到的AR参数和IE,结合时域均值和中值绝对偏差估计(MAD),组成初始特征,然后利用经遗传算法(GA)优化的支持向量机(SVM)进行分类,得到识别结果。对2008年BCI CompetitionⅣDataset 1中想象左手和脚运动的两组数据进行识别,在仅仅使用少数通道的情况下,识别正确率分别达到84.7%和85.8%,初步验证了该方法的有效性。     

基于小波包分解的意识脑电特征提取

针对2种不同意识任务(想象左手运动和想象右手运动)的脑-机接口(brain-computer interface,BCI)设计,提出了基于小波包分解的特征提取方法。首先深入研究了小波包变换,结合事件相关去同步化(event-related desynchronization,ERD)/事件相关同步化(event-related synchronization,ERS)现象,提出以小波包分解系数来考虑特征,然后对C3、C4导联脑电信号进行小波包分解系数方差和相对能量2种特征的提取,最后采用最简线性分类器进行分类。结果表明,2种特征对应的最大分类正确率均达到了85%,对应时间分别为4.34 s和4.39 s。因此,在保证分类正确率的前提下,所提方法更加简单和有效,为大脑意识任务分类提供了新思路。     

基于多特征卷积神经网路的运动想象脑电信号分析及意图识别

为了准确提取个体运动想象脑电信号的最优时段和频段特征以及有效提高其分类准确率,结合卷积神经网络和集成分类方法提出一种多特征卷积神经网络(MFCNN)算法,对运动想象脑电信号进行分类识别。首先对脑电信号进行预处理,然后将原始信号、能量特征、功率谱特征以及融合特征分别输入到卷积神经网络中得到其训练模型,最后通过加权投票的集成分类方法得到最终的分类结果。并利用2008年BCI竞赛Datasets 2b数据集和实测数据对所提出的方法进行实验分析。结果表明,所提的MFCNN方法可有效提高运动想象识别率,实验中所有受试者的平均分类正确率和平均Kappa值分别为78.6%和0.57,为运动想象类脑机接口的应用提供了新的思路和方法。