基于小波包分解的脑电信号特征提取

在脑机接口研究中,针对脑电信号的特征抽取,提出一种基于小波包分解的方法,利用Fisher距离准则,选择具有较大可分离性的特定子带小波包系数和能量作为有效特征,构成特征矢量,并采用BCI2003竞赛数据,通过对该特征矢量的可分性和识别精度2个指标的评估,表明了所提出方法的有效性。     

基于组稀疏贝叶斯逻辑回归运动想象脑电信号分类模型的通道选择与分类新算法

针对脑电信号的通道选择和分类问题,提出了基于组稀疏贝叶斯逻辑回归(gsBLR)的运动想象脑电信号分类模型,同时进行通道选择和分类。首先,对多通道信号进行空间滤波和带通滤波,降低容积传导效应的影响;其次,对每个通道的信号提取具有判别信息的时域、频域以及时频域特征,并进行特征融合;最后,使用gsBLR方法进行通道选择和分类,在贝叶斯学习框架下模型参数可自动从训练数据中估计得到,避免了繁琐而耗时的交叉验证过程。在两个公开的脑机接口(BCI)竞赛数据集和自采集数据集上进行了实验验证,分别获得了81.63%、84.97%和76.47%的最高平均分类准确率;相比其他方法,所提出的方法具有较好的分类准确率和较少的通道数,同时所选通道与神经生理背景更加吻合。     

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.     

一种基于DSP的脑机接口硬件系统设计

为了实现脑机接口系统的便携性,提高脑机接口信号传输的通信速率,本系统应用高性能信号处理器TMS320VC5402DSP作为核心芯片,设计了一种基于DSP的脑机接口硬件系统。在DSP系统设计中,应用多通道缓冲串口（McBSP）实现了DSP与模数转换器（A／D）的接口设计;扩展了可以实现上电自动加载的FLASH;应用通用串行总线USB接口实现DSP系统与上位机的通信。本文详细介绍了这一种基于DSP芯片的脑机接口系统的硬件组成和工作原理,包括各模块的芯片选择和接口设计,并运用VISIO和PROTEL软件绘制了框图及电路图,为后续的工作打下了基础。     

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%。     

脑-机接口研究中想象动作电位的特征提取与分类算法

人在想象但未实施肢体或其他身体部位动作时,与该动作相关的大脑运动皮层区域会发生与该动作实施时相似的电生理响应,称为想象动作电位.想象动作电位的提取与分类是脑-机接口(BCI)技术的关键和难点.本文分别介绍了想象动作电位的时频分析、复杂度分析、相位耦合测量、多通道线性描述符、多维统计分析等特征提取方法和线性判别分析、人工神经网络、支持向量机等分类算法,以供BCI系统设计与研究时参考.     

采用非线性核支持向量机并基于基因表达数据的基因选择和分类

在基于微阵列的癌症分类中,由于变量(基因表达)较多,而实验条件较少,因此特征选择和分类方法非常重要.对于疾病诊断,分类器的性能直接影响到最终结果的准确性.本文提出一种新的基因选择和分类方法,这种方法使用基于递归特征排除(RFE)的非线性核支持向量机(SVM).实验表明本文方法比其它线性分类方法具有更好的整体表现,如线性核支持向量机和Fisher线性判别分析方法;同样本文方法也比一些非线性分类方法更好,如采用非线性核的最小二乘支持向量机(LS-SVM).实验除了使用测试集,还使用留一校验算法(leave-one-out)用于测试分类器的泛化性能.实验采用可通过互联网获得的AML/ALL数据集和遗传性乳腺癌数据集.     

基于脑机接口技术的康复机器人综述

简述了脑-机接口系统的基本结构及其工作原理,归纳了系统信号采集、特征提取、选择分类及人机交互四个部分的基本技术处理方法,提出了脑一机接口系统存在的问题。重点阐述了基于脑机接121技术的康复机器人研究现状、研究中存在的问题及其研究前景。     

面向康复与辅助应用的脑 机接口趋势与展望

无需肢体神经肌肉接触便可实现人与外界机器设备信息交互、使"思想"变成"行动"的脑-机接口(BCI)是脑神经科学与工程技术结合的新产物,亦是临床神经功能康复与运动辅助控制的新技术,可望为部分或完全丧失语言交流与肢体运动控制能力患者(如脑卒中、脊髓损伤、脊髓侧索硬化等疾病)提供全新的增强治疗与康复手段,但目前实际应用尚存在信息处理效率欠高、康复训练时间过长、控制模型通用性差等技术瓶颈。综述了上述技术难点并以运动想象(MI)BCI和BCI拼写器(Speller)为典型介绍了其可能的模型优化策略和解决方案,最后展望了未来BCI发展方向。     

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.     

基于体感电刺激诱发P300的脑机接口

基于视听刺激诱发P300信号是目前脑机接口普遍使用的范式,然而众多病患存在视听功能障碍,无法由视听刺激获得稳定准确的P300信号,传统的P300脑机接口存在诸多局限性,因此,设计了一种以空间体感电刺激作为新范式的P300-脑机接口系统。实验采集了15名健康受试者注意不同手指电刺激时的脑电信号,仅对单一导联的数据进行分析处理,得到分类准确率和信息传输速率。结果显示,所有受试者可以成功诱发出P300特征信号,潜伏期在300ms附近;所有受试者的平均分类正确率达到77.96%±5.04%,高于随机水平(25%);信息传输速率最高可达15.97 bit/min。实验结果表明,采用基于空间位置的体感电刺激诱发P300的脑机接口系统,可以获得稳定的P300特征信号,是一种新的诱发模式;此外,仅采用一个导联的数据,即可达到较好的分类正确率和信息传输速率,方便用户使用。     

基于filter-wrapper的两步特征变量提取方法

特征变量选择是高维数据分类问题的核心,主要有过滤法和缠绕法两种特征变量选择方法。针对"过滤法与分类算法相互独立,不利于对分类性能优化,而缠绕法依赖于分类算法,在高维高噪的数据中容易过拟合"这个问题,为了能有效提取特征变量,提出了一种新的特征提取方法,即filter-wrapper两步法,先通过有监督奇异值分解方法降维去噪,粗选出一部分备选变量;再应用MonteCarlo决策树策略从备选变量中精选出重要的特征变量。通过以典型的高维高噪数据为例验证了该方法,实验结果表明了上述方法的可行性和有效性。     

视觉诱发电位脑-机接口实验范式研究进展

近年兴起可实现人脑直接对外信息交流和控制、让"思想"立即变"行动"的脑-机接口(BCI)新技术已在脑科学、神经计算、人工智能与机器人等多领域显示诱人前景。实验范式设计是研究与开发BCI系统的首要关键步骤。针对常见的各类视觉诱发电位(VEP)实验范式,从首个传统反应式VEP-BCI实验范式入手介绍了其诱发平台、实验流程和整体性能研究现状与存在问题及发展瓶颈;比较分析了近些年研究开发的多种改进型VEP-BCI实验范式,并展望了可能的实验范式发展新动向,希冀为研究开发高性能BCI提供新思路。     

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。     

P300 Speller中基于AdaBoost SVM的导联筛选研究

P300 Speller是目前少数可以用于临床残疾人功能补偿的脑-机接口系统,P300 Speller的字符识别效率与脑电信号采集的头皮表面电极位置密切相关,过多的电极不但增加了使用者的不适感,且易引入噪声干扰进而影响系统的稳定性。采用并发展了一种基于AdaBoost SVM(adaptive boosting support vector machine)的特征筛选方法,对脑电导联进行优化筛选,通过对6位受试者的实验数据处理及分析,结果表明该方法可以在不显著影响识别效率的基础上降低导联数量76%以上。另外,相较于经典的SVM-RFE特征筛选方法,该方法极大降低了计算复杂度,更适用于训练数据庞大的脑电特征优化问题。     

应用CPLD和DSP的人机接口模块设计

介绍一种基于CPLD和TMS320LF2407A型DSP的人机接口模块应用系统,这种系统在新型路面剪切实验机上得到了较好的应用,能够很好地实现数据采集、电动机调速等目的.以CPLD为桥梁,实现快速DSP和慢速外设的接口模块设计,并给出其硬件电路原理图.     

Fault classification on vibration data with wavelet based feature selection scheme

Fault classification based upon vibration measurements is an essential building block of a conditional based health usage monitoring system. Multiple sensors are incorporated to assure the redundancy and to achieve the desired reliability and accuracy. The shortcoming of using multiple sensors is the need to deal with a high dimensional feature set, a computationally expensive task in classification. It is vital to reduce the feature dimension via an effective feature extraction and feature selection algorithm. A simple wavelet based feature selection scheme is proposed herein, uniquely built by local discriminant bases and genetic optimization. This scheme overcomes the disadvantages faced by the existing feature selection methods by producing a generic feature set, reducing the dimensionality of features, and requiring no prior information of the problem domain. The proposed feature selection scheme is based upon the strategy of "divide and conquer" that significantly reduce the computation time without compromising the classification performance. The simulation results show the proposed feature selection scheme provides at least 65% reduction of the total number of features at no cost of the classification accuracy.     

Motor imaginary-based BCI for controlling a remote car

This paper presents the application of an effective electroencephalogram (EEG) based brain-computer interface (BCI) for controlling a remote car in a practical environment.The BCI uses the motor imagin...