模拟阅读脑-机接口异步化研究

“模拟阅读”脑机接口(BCI)工作在同步模式,而实际中使用者希望能在“工作/非工作”状态间自由切换,即异步化,针对该问题提出了利用闭眼固定时间的脑电信号作为两种状态间转换开关的方法。首先设计了实验方案;然后对采集的脑电图(EEG)信号分别在时域和频域进行特征提取,对时域特征利用支持向量机(SVM)和K-means分类器进行分类,对频域特征用SVM分类。时域最高识别率分别为91.25%和89.17%,平均分类所需时间分别为1.89s和0.11s,频域最高识别率和平均识别率分别为86.25%和81.875%。实验结果表明该实验模式能实现两种状态自由切换的目的。     

利用相锁值算法的脑电相同步测谎研究

相锁值（Phase Locking Value,PLV）是由相同步的概念下提出一种描述不同信号相关性（同步性）的算法,在脑电信号领域,其有效性已经得到了验证.本文针对当前测谎方法中脑电信号特征提取困难的问题,首次将相锁值的算法应用到脑电测谎领域中,研究谎言脑活动下不同脑区之间的相关性,通过相关性发现谎言的认知机制,并利用该相关性作为特征,使用支持向量机对说谎者和诚实者的两类信号进行模式识别,得到了88.50%的准确率,提出的方法验证了PLV在测谎应用中的有效性,为基于脑电信号的测谎提供了一种新的途径.     

任务提示的脑认知加工过程中神经振荡机制研究

任务切换实验是评估人类认知灵活性的有效范式,其中提示语切换实验（Task Cuing）能够有效地测量任务切换的认知过程.为了深入研究任务切换的认知过程,本文设计了提示语（cue）和之后刺激（Target）比例为1∶ 8的提示语切换实验,采集了50名在校大学生的脑电.结合事件相关电位和事件相关谱扰动、序间相位相干、事件相关相位互相干等时频分析的方法研究了任务切换认知过程中的神经振荡机制.实验结果显示,在P200时间段里,腹侧前额叶与后顶叶之间神经振荡存在相位同步现象,并且后顶叶电极神经震荡的相角滞后于前额叶电极,这表明P200对应的检索过程是由前额叶驱动后顶叶的一种自上而下的控制过程.在P300的时间段里,对theta波段频谱分布的研究结果显示了切换任务中大脑的激活强度显著大于重复任务中大脑的激活强度,而且,两种任务中该频段的能量均主要分布在右侧后顶叶,它揭示了任务集配置和更新与theta波段神经振荡之间的密切关系.本文以上发现为揭示大脑认知灵活性的神经振荡机制提供了一种新的途径,有助于我们深入了解任务切换的认知加工过程.     

基于互信息的脑网络及测谎研究

互信息分析方法是基于信息论提出的一种描述两信号间信息交互情况的算法,其在脑电信号领域的有效性已得到了充分证实.针对当前测谎方法中脑电信号特征提取困难以及大脑整体认知功能分析在脑认知科学研究中越来越被重视的情况,本文首次将互信息分析方法应用到脑电测谎领域中,使用互信息量化大脑各节点之间的相关性,对计算结果进行统计分析,选取出在两类人群中具有显著性差异的电极对的互信息作为分类特征,进行模式识别,得到了99.67%的准确率.这一结果表明,互信息分析方法是一种有效的脑功能连接分析方法,为基于脑电信号连接分析的测谎研究提供了一种新的途径.另外,对说谎与诚实两类受试者的大脑功能网络的分析结果表明：处于说谎状态时,大脑的额叶、顶叶、颞叶及枕叶之间协同实现谎言功能,并在躯体行为所对应的脑区与其他脑区的连接上也表现出相对诚实组的显著性差异,以上结果均有助于进一步揭示谎言的神经活动机制.     

基于PCANet和SVM的谎言测试研究

主成分分析网络（Principal Component Analysis Network,PCANet）是基于深度学习理论的一种非监督式的特征提取方法,它克服了手工提取特征的缺点,目前其有效性仅仅在图像处理领域中得到了验证。本文针对当前谎言测试方法中脑电信号特征提取困难的缺点,首次将PCANet方法应用到一维信号的特征提取领域,并对测谎实验的原始脑电信号提取特征,然后使用支持向量机（Support Vector Machine,SVM）将说谎者和诚实者的两类信号进行分类识别,将实验结果和其它分类器及未使用特征提取的分类效果进行了比较。实验结果显示相对未抽取任何特征的方法,提出的方法PCANet－SVM可以获得更高的训练和测试准确率,表明了PCANet方法对于脑电信号特征提取的有效性,也为基于脑电信号的测谎提供了一种新的途径。     

基于相位延迟指数的脑功能网络及测谎研究

在脑认知科学领域,越来越多的研究开始专注于利用不同导联脑电信号之间的相互依赖关系来研究大脑整体认知功能.相位延迟指数可有效减少由容积导体引起的误差,该方法已被广泛应用.而基于图论的脑网络研究方法在测谎方面还少见报道.本文通过对30名（诚实和说谎）受试者的脑电信号进行网络拓扑分析,将网络参数作为判别指标,使用支持向量机对实验数据进行分类.研究发现,两组受试者的小世界指标表现出显著的统计学差异,且得到较高的测谎准确率,结果证明了利用相位延迟指数方法进行图论分析的测谎有效性.     

“模拟阅读”脑-机接口刺激物样式对正确率的影响

采用"模拟阅读"视觉诱发事件相关电位的实验模式进行脑-机接口实验,记录受试者在不同刺激物样式下的脑电信号并进行模式识别。实验中的视觉刺激器是由显示器上的七个按钮组成的虚拟键盘。在实验中,通过改变按钮下方刺激物的样式(15种),观察七名受试者对虚拟键盘中按钮的识别正确率,以期找到一种刺激物样式使其达到最高。结果表明,同一受试者在不同样式的刺激物下正确率不同,不同受试者的最佳刺激物样式也不一定相同,且在大多数情况下,受试者在无背景字符条件下比相同靶标的有背景字符情况下的正确率高。     

基于脑电样本熵的测谎分析

测谎分析在刑讯侦查和法律审判中具有重要意义.为了区分是否说谎,根据脑电信号的非线性特征,本文首次使用非线性动力学的样本熵方法分析30名受试者处于诚实和说谎两种状态时脑电信号的样本熵值.研究发现：受试者处于诚实状态时的熵值波动范围明显小于说谎状态下的波动范围,更重要的是说谎时的熵值显著高于说实话时的熵值,表明样本熵可以区分诚实和说谎两种不同状态下的脑电信号,该研究为基于脑电的测谎提供了一种新的途径.     

基于深度学习的运动心率测量系统

针对当前动态心率测量方法中存在心率监测准确度不高的缺点,提出使用深度学习算法提取光电容积脉搏波(photoplethysmograph,PPG)中的心率值。方法采集了15名身体健康的受试者不同运动速度下的PPG信号,并通过有抗干扰能力的心电(electrocardiogram,ECG)设备同步采集他们的ECG信号,将具有较强干扰的PPG信号作为堆栈自编码(stacked autoencoder,SAE)网络的输入信号,并将ECG信号作为网络标签,然后使用深度学习算法对自编码网络进行训练,以将有较强干扰PPG信号拟合为具有准确心率特征的类正弦波信号,从而实现对运动状态下干扰严重的PPG信号进行心率的提取。将SAE网络输出信号与对应ECG信号进行比较,结果显示,运动心率测量的平均误差为1.1658 bpm,表明深度学习算法对于心率测量的有效性,也为运动心率信号测量提供了一种新的途径。