心理意识真实性的事件相关同步研究

为揭示"说谎"与"说真话"时脑电信号的差异,该文对测谎实验中自发脑电信号的事件相关同步（ERS）进行了深入研究。分别对脑电的delta、theta节律的事件相关同步进行了详细分析,发现delta和theta节律的ERS可以反映说谎相关的心理状态,其中delta节律的ERS与P300高度相关,而theta节律的ERS效应与经典的P300效应尽管在时间上有一定的重叠,但具有不同的头皮分布特性。通过对比Fz、Cz和Pz 3个电极的主效应,发现theta同步的最大主效应位于前额中线的Fz电极,而P300的最大主效应在枕区中线的Pz电极。这说明theta节律的ERS与P300成分可能从不同角度反映了说谎心理的认知加工过程。     

基于核学习算法的驾驶精神疲劳分级研究

为了有效地评测人的驾驶精神疲劳状态,本文提出了一种基于核学习算法的精神疲劳分级方法.该方法首先用多变量自回归模型(MVAR)提取位于前额、顶叶、枕叶共6个通道的多维脑电信号特征组成特征向量.然后用核主分量分析(KPCA)和优化支持向量机(SVM)对基于脑电信号(EEG)的驾驶精神疲劳进行分级.经过对3住受试者在3个状态下的驾驶精神疲劳进行分类,平均分类精度达到89.47%.分析显示,应用KPCA并结合优化SVM方法有效地降低了特征空间的维数,可实现较高精度的驾驶精神疲劳分级.     

基于脑电信号组合熵特征的驾驶疲劳检测分析

驾驶疲劳是驾驶员的常见职业危害,驾驶疲劳检测对运输安全具有重要意义。在本研究中,采用样本熵(sample entropy,SE)和近似熵(approximate entropy,AE)对脑电(EEG)进行特征提取,分别把两种熵组合特征和单一熵特征输入分类器进行驾驶疲劳识别。运用4种经典的分类器：K最邻近(KNN)、决策树(DT)、提升树(Adaboost)和支持向量机 (SVM)对组合熵特征集和单一特征进行识别分析比较。实验结果表明：驾驶疲劳程度增加,SE和AE显著降低,两种非线性指标均是驾驶疲劳的敏感特征指标;4种分类器均可有效识别驾驶疲劳状态,KNN分类器的识别性能最佳;组合熵特征集识别精度比单一熵特征更高,其中KNN分类器组合特征模型在FP1通道的疲劳识别的平均准确率可达92.8%。基于单通道EEG组合熵检测驾驶疲劳具有较好的稳定性和鲁棒性,具有广泛的应用前景。     

基于EEG的脑机接口发展综述

随着无线传输、机器学习、人工智能等技术的进步,基于脑电图(EEG)的脑机接口(BCI)技术的研究相应增加,作为一种变革性的通讯和控制技术,脑机接口可以广泛地应用于康复医疗、游戏娱乐、军事应用、家居智能等领域,具备千亿级别的应用市场;综述了基于EEG的典型脑机接口范式,包括MI-BCI、P300-BCI、SSVEP-BCI等范式的基本原理、研究现状和典型应用场景,对各类范式的优缺点进行了评价,提出了当前研究中面临的技术和伦理等方面的风险挑战,并对其发展和应用前景作了展望。     

基于事件相关电位近似熵识别心理意识真实性的研究

研究受试者在隐藏信息测试（CIT）模式下心理意识真实性识别。通过对15名受试者进行测试并记录其事件相关（ERP）脑电信号,对不同刺激信息诱发的ERP信号的近似熵进行分析。研究结果显示,当刺激信息出现时,近似熵出现了明显的下降趋势;刺激任务完成后,近似熵回升到刺激前水平。以近似熵下降百分比作为近似熵下降程度的量化参数,对比不同类型刺激信息诱发ERP信号的近似熵下降百分比,发现无关刺激在刺激反应过程中,对应的近似熵下降百分比显著大于相关刺激和靶刺激的下降百分比（p＜0.001）,说明近似熵的下降程度可以作为识别受试者隐藏信息的一种辅助特征参数。