基于多生理信息及迁移学习的驾驶疲劳评估EI北大核心CSCD

目前基于多生理信号的驾驶疲劳评估方法得到广泛关注。针对驾驶疲劳识别率有待提高且受个体差异性影响的问题,提出了基于脑电、心电和肌电特征融合及迁移学习的驾驶疲劳评估方法。基于模拟驾驶平台同步采集20名健康受试者的脑电信号、心电信号和颈部肌电信号,基于时频分析方法和复杂度分析方法提取各生理信号特征并进行融合;然后,基于特征空间内大间隔映射（LMPROJ）的迁移学习方法实现对单一源域到目标域疲劳状态的初步判别;最后,将上述多个单一源域到目标域疲劳状态的判别结果进行决策级融合,以提高驾驶疲劳识别算法的准确性和鲁棒性。实验结果表明,基于多生理信号特征融合及迁移学习的驾驶疲劳识别率高于传统机器学习方法,且能提高不同受试者驾驶疲劳检测的鲁棒性,为多生理信号驾驶疲劳检测研究提供了新方法。     

基于多生理信息及迁移学习的驾驶疲劳评估

目前基于多生理信号的驾驶疲劳评估方法得到广泛关注。针对驾驶疲劳识别率有待提高且受个体差异性影响的问题,提出了基于脑电、心电和肌电特征融合及迁移学习的驾驶疲劳评估方法。基于模拟驾驶平台同步采集20名健康受试者的脑电信号、心电信号和颈部肌电信号,基于时频分析方法和复杂度分析方法提取各生理信号特征并进行融合;然后,基于特征空间内大间隔映射(LMPROJ)的迁移学习方法实现对单一源域到目标域疲劳状态的初步判别;最后,将上述多个单一源域到目标域疲劳状态的判别结果进行决策级融合,以提高驾驶疲劳识别算法的准确性和鲁棒性。实验结果表明,基于多生理信号特征融合及迁移学习的驾驶疲劳识别率高于传统机器学习方法,且能提高不同受试者驾驶疲劳检测的鲁棒性,为多生理信号驾驶疲劳检测研究提供了新方法。     

复合肢体想象动作脑-机接口中黎曼核支持向量机递归特征筛选方法

相对于传统的想象动作脑-机接口,复合肢体想象动作脑-机接口有效提升了指令复杂度,具有更好的中风后康复治疗潜力,但当前较低的识别精度限制了其临床应用。为提升复合肢体动作想象相关脑电信号特征的特异性并降低不同通道间的信息混淆,提出了一种基于脑电流形特征信息刻划的黎曼核支持向量机递归特征筛选方法(Riemann kernel support vector machine recursive feature elimination, RKSVM-RFE)。采集了10位被试在进行想象7种不同肢体部位动作时的脑电信号数据,利用RKSVM-RFE方法进行特征优化和建模,对脑电数据对应的运动意图进行识别。结果显示,基于所提方法的平均识别正确率达到了77%,相比于经典的CSP方法提高了近7%,并且能够消减近50%的脑电信息采集通道,可有效降低系统复杂性。研究结果为基于想象动作脑-机接口的康复技术发展提供了新的思路,值得进一步发展。     

基于图谱分析的脑电网络研究

针对脑活动过程功能连接网络分析问题,将图谱域分析技术应用于脑电网络研究中。对各导联脑电信号特征节律提取、不同测量节点之间脑电信号特征节律相关系数邻接矩阵及拉普拉斯矩阵进行了研究,并对拉普拉斯矩阵分解得到的不同阶次分量矩阵以及二值化处理得到的不同阶次脑电网络拓扑结构进行了分析,提出了一种基于图谱分析的脑电网络研究方法;采用癫痫患者正常情况与癫痫发作阶段的脑电信号对提出的方法进行了测试。实验结果表明:在两种情况下,提出的图谱分析方法均能有效提取不同变化模式的脑电网络拓扑结构,并能实现正常区域与癫痫发作区域的有效分类,接收者操作特征曲线下面积为0. 834;分类结果优于常用的对比方法。     

基于表面肌电信号的上肢康复训练技术研究

为辅助上肢受损患者实现自主康复训练,促使肌肉信号与脑意识的再生通信,设计一种机械臂辅助式离散动作康复训练识别方法。受试者进行康复训练时,采集其肩关节4处肌肉群的表面肌电信号,提取时域特征,并采用BP神经网络分类算法对六种上肢肩关节动作意图进行模式识别。该方法能够准确建立表面肌电信号特征值与六种上肢康复动作之间关系映射模型,平均识别率高达90.27%。为基于表面肌电信号的外骨骼式自主康复训练系统提供一种可行的人机交互方案。     

脑电信号的混沌分析和小波包变换特征提取算法

针对脑电(EEG)信号的手部动作模式信息处理,提出一种混沌分析和小波包变换相结合的特征提取方法.用眼动辅助来采集手部动作时的脑电信号,对采集的C3、C4 、P3和P4脑电信号消噪后分别用混沌分析和小波包变换的方法进行特征提取,前者提取混沌特征的最大Lyapunov指数和关联维数,组成8维向量;后者提取脑电信号的4种特征节律波,分别计算其相对能量,组成16维向量;最后把两种方法提取的向量组成24维特征向量,输入SVM分类器,实现基于EEG信号的手部动作模式的识别.对不同个体上翻、下翻、展拳、握拳4种手部动作的识别实验表明,平均识别率均在80%以上,明显优于其他方法识别的结果.     

基于STM32的表面肌电采集系统的实现

针对康复训练治疗效果的评估的需要,设计了一种基于STM32的表面肌电采集系统。系统采取由主机控制和显示的主从型结构,硬件以STM32为核心,配合表面肌电信号采集模块以实现对原始的表面肌电信号的采集,再利用均方根值提取模块提取其肌电均方根值并通过USB接口传送至上位机,最终由上位机软件分析处理传送上来的肌电数据并显示。实验结果表明,系统所采集的肌电信号的准确性较高,能够满足评估康复训练治疗效果的需要。     

一种肌电假手的自适应模糊控制方法

针对肌电假手的力控制问题,提出了一种基于肌电信号自适应学习的动作识别方法,同时结合模糊神经网络PID控制算法实现肌电信号对假手的控制.设计的肌电信号自适应学习动作识别方法在时域内进行,减小运算复杂度和计算量的同时保证了动作识别精度.采用模糊神经网络PID算法设计了假手握力控制器,在没有位置传感器的情况下保证了假手握力的控制精度.进行了肌电信号动作识别跟踪实验、假手握力跟踪实验、肌电信号控制假手抓取实验,实验结果证明了肌电信号自适应学习动作识别方法和模糊神经网络PID握力控制方法在肌电假手控制中的有效性.     

基于双流卷积神经网络的肌电信号手势识别方法

面向高性能的肌电控制系统,提出一种基于双流卷积神经网络的肌电信号手势识别方法,其从原始表面肌电信号中提取离散小波变换系数,与原始表面肌电信号分别作为双流卷积神经网络两个分支的输入进行高层特征学习,最终通过一个高层特征融合模块对两个分支学习得到的高层特征进行融合.所提方法在3个包含50～52类手势动作表面肌电信号的大规模...     

基于sEMG与足底压力信号融合的跌倒检测研究

跌倒已经成为一种普遍危害老年人身心健康的事故,需要得到及时救治。设计了一种基于表面肌电(s EMG)和足底压力信号融合的跌倒检测系统。提取s EMG的近似熵及基本尺度熵特征,并根据足底压力的变化规律,提取动作信号段的压力特征,通过D-S证据推理将肌电信号与足底压力信号的SVM决策融合获得综合判别结果。实验结果表明,该方法对跌倒与ADL的平均识别率达到了91.7%,优于单一信源识别结果。     

想象多力度单侧手运动的脑电信号分类研究

目的传统脑机接口实验范式多为左右手运动想象,无力度分级,命令单一,为增加脑机接口命令数,使中风患者在康复期间设计获得更好的治疗方案,设计了想象三种力度下的单侧手运动实验并对其进行分类。方法 9名受试者被要求想分别以三种力度(50%、30%、10%最大自主收缩力)握紧单侧手,同时记录脑电及肌电信号,对脑电信号预处理后进行空间滤波和特征提取,再对处理后的数据进行带通滤波并提取特征,利用线性判别分析作为分类器。结果\结论采用两级特征提取分类方法,平均分类正确率达到72.4%,证明通过分析想象不同力度单侧手运动的脑电信号能够扩展脑机接口命令数。     

SSVEP-BCI抗自由眨眼稳定性的ANFIS方法

针对伪迹干扰下脑机接口稳定性问题,以自由眨眼动作下稳态视觉诱发脑机接口的稳定性为切入点,进行了稳态视觉诱发脑电信号去眼电伪迹(electroculography,简称EOG)研究。提出了一种基于自适应神经模糊推理系统(adaptive neuro-fuzzy inferency system,简称ANFIS)的无眼电电极下脑电信号眼电伪迹的自适应消除方法并进行实验,验证该方法对自由眨眼动作下稳态视觉诱发脑机接口稳定性的提高。该伪迹消除方法通过自适应神经模糊推理系统逼近眼电信号源至眼电伪迹的非线性变换函数,达到消除脑电信号中眼电伪迹的目的。算法通过前额叶区脑电信号获得替代性眼电信号源,经延时处理后,输入自适应噪声消除器中以消除各通道脑电信号中的眼电伪迹。通过自由眨眼动作下稳态视觉刺激实验,对该伪迹消除方法中各参数及函数的选择进行了研究,并将该方法与经典滤波和传统独立成分分析(independent component analysis,简称ICA)进行对比,证明了该方法在消除眼电伪迹的情况下保留了稳态视觉刺激的有效信息,识别正确率较经典滤波相比最高提高了6.25%,较传统ICA相比最高提高10%,保证了稳态视觉诱发脑机接口在自由眨眼动作下的稳定性。     

长途客车驾驶员疲劳状态脑电特征分析

长途客车驾驶员的驾驶状态关系到旅客和驾驶员的生命安全,对长途客车驾驶员的疲劳驾驶研究具有重大意义.选取真实驾车实验环境,对驾驶员脑电信号进行实时监测.首先对采集的驾驶员脑电信号进行了小波包分解,提取了脑电信号中的θ和β节律,然后对它们的平均功率谱进行了分析,最后通过计算脑电疲劳状态指标F,结合眼电特征与主观调查问卷,研究驾驶员主观与客观数据之间的相关性,分析驾驶员疲劳状态变化与脑电信号特征之间的关系.结果表明,在真实驾驶环境下,通过计算驾驶员的脑电疲劳状态指标F值可以有效地检测驾驶员疲劳状态变化.     

基于预抓取模式识别的假手肌电控制方法

为解决多自由度假手肌电控制难题,建立一种人手预抓取模式的在线识别方法,并将其应用至HIT-DLR假手的抓取控制。基于Teager-Kaiser能量算子增幅肌电信号在肌肉动作发起时的变化,引入后处理解决噪声影响,提出一种预抓取发起的在线检测方法。针对人手4种预抓取模式,讨论不同肌电信号分段方法,不同时域特征、频域特征和时频域特征以及多种分类方法所能获得的识别成功率。最终建立了基于波形长度及支持矢量机的最优识别方法,成功率可达95%,延迟小于300 ms。肌电控制试验表明,假手可以准确快速地抓取各种不同形状的物体。     

基于可解释深度学习的单通道脑电跨被试疲劳驾驶检测

脑电信号被认为是检测驾驶员疲劳状态的最佳生理信号之一。 然而,由于不同被试者和不同记录时段的脑电信号差异 很大,设计一个无校准的脑电疲劳检测系统仍然具有挑战性。 近年来,虽然开发了许多深度学习方法来解决这个问题并取得了 重大进展,但是深度学习模型的黑盒效应使得模型决策不可信赖。 为此,本文提出了一种可解释深度学习模型,用于从单通道 脑电信号中检测跨被试疲劳状态。 该模型具有紧凑的网络结构,首先设计浅层 CNN 提取 EEG 特征,然后引入自适应特征重新 校准机制增强提取特征的质量,最后通过 LSTM 网络将时间特征序列与分类相关联。 模型分类决策的可解释信息则是由 LSTM 输出隐藏状态的可视化技术实现的。 在持续驾驶任务的公开脑电数据集上进行大量跨被试实验,该模型的分类平均准确率最 高达到 76. 26% 。 相比于先进的紧凑型深度学习模型,该模型有效降低了参数量和计算量。 可视化结果表明该模型已发现神经 生理学上可靠的解释。     

基于小波包技术的脑电特征波提取分析

为了更有效地提取脑电信号特征波,结合小波包技术,提出了一种脑电特征波提取方法.首先对脑电信号进行小波包分解,然后进行褶关频段信号的重构,从而提取出特征波,并对其进行功率谱分析和能量计算.实验结果表明,小波包技术能有效地提取脑电信号特征波.     

无先验参考的脑电信号伪迹去除方法

在深入分析脑电信号各伪迹成分特征的基础上,结合传统滤波方法,提出了一种不需要眼电信号参考的脑电信号伪迹去除方法。脑电信号原始数据可视作由纯净脑电信号、环境噪声、动作杂波及人体自身伪迹成分所构成的混合信号,利用传统滤波方法去除环境噪声及动作杂波,结合盲源分离算法提取人体自身伪迹成分并完成伪迹成分自动识别与去除以及纯净脑电信号的重构工作,以实现纯净脑电信号有效提取过程。经实验验证,该无先验参考的脑电信号伪迹去除方法切实可行,可有效去除伪迹,提高脑电信号信噪比。     

肌电智能轮椅控制系统设计

为了实现轮椅多种运动状态的智能控制,设计了一种肌电臂环与安卓平台组成的肌电轮椅控制系统。通过采集不同手势动作时的人体前臂表面肌电信号,对其进行数据处理与模式识别,配合蓝牙无线通信,实现了轮椅前进、后退、左转、右转与停止五种状态的实时检测与控制。实验表明,系统响应时间短,在线识别率高,提供了一种稳定、廉价、可扩展的基于肌电信号的智能轮椅控制方案。     

基于免疫优化的脑电自适应集成分类方法研究

针对脑机接口研究(BCI)中对脑电波信号的分类识别问题,对脑电信号中P300脑电信号的预处理、特征提取及特征分类等方面算法进行了研究,主要侧重于对P300脑电信号分类算法的研究。提出了一种自适应的集成支持向量机(SVM)分类方法,利用免疫算法的多样性以及自我调节能力,对基于Bagging的集成SVM分类学习器进行了优化,提高了对P300脑电信号识别的准确度以及针对不同个体的自适应性。研究结果表明:将自适应集成分类算法运用在BCI Competition III Dataset II的P300脑电数据上,可以识别出被试者的脑电意图,并且对P300脑电信号的分类可以达到较高的分类准确率,实验结果稳定在98%。     

基于迁移学习的手部离散动作识别方法研究

表面肌电传感器作为新一代机器人人机交互接口设备,目前已在航空航天、军工应用、康复医疗、工业生产等多种环境中表现出巨大的应用潜力和价值。研究发现,表面肌电信号在识别手势动作时,若面临传感器移位、动作用户变化等问题,动作识别准确率将急剧下降,模型可复用能力变差。针对这一情况,提出一种基于小型辅助集的迁移学习建模方法。利用MMD算法对源领域数据集与目标领域数据集的高维距离进行评价,通过TCA算法缩小二者在全局特征上的边缘分布差异,引入小型辅助集对待测数据集创建伪标签,改进了迁移成分分析在数据条件分布相似性上的不足。以多名受试者作为研究对象,验证提出算法的适应性和合理性。肌电控制实验表明,新场景下受试者仅需进行小量训练(仅占源领域数据4%),迁移学习融合模型准确率可提高至80%以上。