基于离散小波变换的卷积自编码运动想象脑电信号的分类

左右手运动想象脑电信号(MI-EEG)分类准确率低,制约了相关脑-机接口技术的发展。实验采集了16名健康受试者的运动想象脑电信号,提出了一种基于离散小波变换(DWT)和卷积自编码(CAE)的运动想象脑电信号分类算法。利用离散小波变换将EEG转换成时频矩阵,输入到卷积自编码网络中进行脑电信号的特征分类。该算法在实验数据集和公开数据集上测试都得到了较好的分类结果,静息-想象左手、静息-想象右手、想象左手-想象右手3组EEG在实验数据集上分类准确率分别为97.36%、97.27%、86.82%,在公开数据集上分类准确率分别为99.30%、98.23%、92.67%。离散小波变换结合卷积自编码网络模型在左右手运动想象脑电信号分类应用中比其他深度学习方法(CNN、LSTM、STFT-CNN)性能更优。     

基于皮层慢电位的自发脑电实验设计与研究

针对基于自发脑电信号的脑机接口研究,设计了一种科学的且易实现的运动想象实验范例,利用运动想象脑电作为BCI的控制信号.该实验方案能有效地获得可识别的、具有特征性的自发脑电,满足脑机接口实验要求,为BCI的研究提供了一种更加自然、更加实用的控制方式.     

基于运动想象的脑电信号功率谱估计

介绍了运动想象下产生的脑电信号的事件相关同步与去同步,功率谱估计下经典功率谱和现代功率谱的基本方法,重点分析了周期图法、平滑平均周期图法、AR模型Yule-Walker法3种功率谱估计的原理和特点,并在MATLAB中分别对运动想象产生的脑电信号进行处理,通过比较C3、C4通道在8～13Hz处的事件相关同步/去同步现象,总结各自优缺点,为脑机接口实际应用中的合理选择提供了理论依据。     

基于皮层慢电位的自发脑电实验设计与研究j

针对基于自发脑电信号的脑机接口研究,设计了一种科学的且易实现的运动想象实验范例,利用运动想象脑电作为BCI的控制信号。该实验方案能有效地获得可识别的、具有特征性的自发脑电,满足脑机接口实验要求,为BCI的研究提供了一种更加自然、更加实用的控制方式。     

基于单形进化算法优化支持向量机的 运动想象脑电分类研究

由于支持向量机(support vector machine,SVM)优化算法存在易陷入局部最优解、控制参数较多的问题,提出一种基于单形进化(surface-simplex swarm evolution,SSSE)算法优化的SVM并对运动想象(motor imagery,MI)脑电信号的分类进行了研究.提取MI脑电信号模糊熵和AR(auto regressive)模型参数作为输入特征,然后将SSSE应用在SVM的参数寻优中,实现对MI脑电信号的分类.测试实验中,对2003国际BCI竞赛Data set Ⅲ和2008国际BCI竞赛Data sets 2b进行左右手分类,结果表明,所提方法的平均分类正确率和Kappa值分别为82.47％和0.88,单形进化算法减少了控制参数且有效避免粒子陷入局部最优,验证了该方法在MI脑电信号分类的有效性.     

基于BP神经网络的运动想象脑电信号分类研究

运动想象脑机接口因具有更大的自主性、灵活性,在脑机互联领域得到了广泛应用,相比较其它范式分类准确率偏低,限制了其发展。本文利用时频图谱、脑地形图两种特征分析方法对上肢运动想象脑电信号进行了特征分析,并采用滤波器组共空间模式(filter bank co-space,FBCSP)特征提取算法对上肢运动想象信号数据进行了特征提取,再将提取结果分别利用支持向量机（support vector machine,SVM）算法、K-最近邻(K-Nearest Neighbor)算法、反向传播（back propagation,BP）神经网络三种分类算法进行分类,研究结果发现SVM算法、KNN算法、BP神经网络算法应用在上肢运动想象脑机接口系统的平均分类准确率分别为76.45%、74.55%、81.70%,BP神经网络算法相比SVM算法、KNN算法在上肢运动想象任务的分类准确率上分别高出了5.25%、7.15%,并且t检验后得到分类准确率均具有极显著的统计学差异,并利用ROC曲线和AUC值检测了分类器效果,BP神经网络的AUC值相比SVM算法、KNN算法也分别提升了0.1226、0.1285,表明BP神经网络分类算法相比较SVM算法、KNN算法更适用于上肢运动想象脑机接口系统,提高了系统的分类准确率,推动了上肢运动想象脑电信号实际应用的发展进程。     

α波和运动想象的混合范式脑-机接口系统

提出将α波和运动想象2种范式以串行的方式相结合控制的脑-机接口系统,该系统利用α波的阻断现象控制状态选择,选择成功后发出提示音,被试听到提示音后,通过左右手运动想象来完成多个任务。通过这样的混合范式有效的实现了较少种类的脑电信号对外部设备的多任务控制。实验结果表明,5名被试都能顺利完成外部设备的多任务控制,平均正确率为77%,最高正确率可达90%。本系统实现了混合范式下的脑电信号对外部设备的多任务控制,为进一步开发复杂的混合范式的脑-机接口系统奠定基础。     

ASMI-BCI 特征调制及分类性能研究

基于运动想象(MI)的脑-机接口(BCI)近年来被应用于肢体运动功能的可塑性康复。采用视觉辅助刺激可以有效增强MI-BCI系统的分类性能,但视觉障碍患者无法使用。因此本文设计了基于听觉辅助刺激的ASMI-BCI,发现动态声音辅助刺激可以提高大脑运动相关皮层的兴奋性,增强系统的可分性特征。10名在校大学生(5男5女,平均22.6岁)3类实验范式(C-SW、C-DA、C-DV)的平均结果表明,C-SW范式分类正确率最低、C-DA次之、C-DV范式正确率最高。听觉辅助刺激范式的最优分类正确率可达76.03%,相比传统MI-BCI范式显著性提升了8.83%,且60%的被试使用该范式的分类正确率可高于70%。使用动态听觉辅助刺激范式可以为视觉障碍患者提供一种特征调制和BCI性能增强的新模式、新方法。     

基于脑电两节律和 BP 神经网络的运动想象分类研究

针对脑电信号(EEG)分类过程中无效数据影响准确度的问题,提出一种数据筛选的方法。基于脑-机接口(BCI)系统,通过视觉诱发刺激产生左向和右向两种运动想象任务对应的脑电信号,提取该信号的统计特征,并利用BP神经网络实现运动想象分类识别。在数据处理过程中,首先利用β节律的能量特征对无效数据进行剔除,再结合μ节律信号的均值、标准差、能量谱、功率谱、自相关函数等多个特征进行分类。对筛选后的数据进行分析,所得特征更具代表性,信号分类的准确率由78.25%提高至84.11%。     

DSP在基于想象动作电位的脑-机接口中的应用

应用数字信号处理器设计了一个基于想象动作电位的脑-机接口系统,通过模拟滤波与数字信号器处理相结合的方法,实现了对想象动作电位信息的有效采集和处理.系统在硬件上设计了脑电信号放大器,DSP开发板;对脑电信号放大、AD转换后,通过分类特征提取处理后,完成动作识别与控制命令的输出.将数字信号处理器应用在脑-机接口中,利用数字信号处理器优异的处理能力和丰富的外设资源,实现了一个嵌入式、微型化的脑-机接口构建,实现了脑-机接口实时处理与微型化.     

基于脑电信号的人机交互实验平台的设计和应用

基于脑电信号(electroencephalogram,EEG)的人机接口研究是目前国内外研究热点之一,本文针对脑电信号在强噪声背景下微弱的特点,讨论了基于脑电信号的低功耗、移动式、开放接口的人机交互实验平台系统的设计方法和应用.综合利用先进的硬件和软件滤波技术、隔离技术、高速通用串行接口技术以及虚拟仪器技术来提高平台各方面的性能.将此平台用于脑电诱发信号提取得到了满意的结果,从而为基于脑电信号的开放性人机交互平台的实现提供了新的思路,为脑电信号的研究带来了方便.     

基于小波包分解的精神分裂症脑电信号分析

本文针对脑电信号的非平稳性,引入小波包分解理论研究精神分裂症脑电.根据脑电信号的不同节律特性,提出应用小波包分解构造不同频率特性的滤波器,提取脑电信号不同节律的动态特性,并由此构造各种节律的动态脑电地形图.为了研究精神分裂症脑电信号各种节律的动态特性,文中对正常人和精神分裂症病人的临床脑电数据进行分析与比较,分析两组脑电信号各种节律的动态特性.实验结果表明,精神分裂症病人在无负荷静卧闭眼清醒状态下α节律与正常人有明显的差异.     

基于HHT的脑电信号眼电伪差自动去除方法研究

眼电伪差的幅度远大于脑电信号的幅度,会严重影响对脑电信号分析,必须有效地去除.本文利用Hilbert-Huang变换的多分辨率分析特征,根据脑电信号中眼电伪差的时频特性,提出了根据固有模态函数统计特性确定阈值的Hilbert-Huang变换阈值眼电伪差去除方法.对受到眼电伪差干扰的脑电信号进行经验模式分解,利用Hilbert变换计算不同固有模态函数的瞬时频率,将瞬时频率小于3 Hz固有模态函数的值置零,对瞬时频率小于16 Hz的固有模态函数进行阈值处理.利用处理后的固有模态函数重建脑电信号,实现眼电伪差的去除.实验结果表明该方法对去除脑电信号中的眼电伪差是非常有效的,而且对脑电信号影响很小.     

数字信号处理在生物力学研究中的应用

运动中枢脑电信号与表面肌电信号是同一生物力学行为在不同阶段、不同部位的表现形式.在生物力学行为过程中,运动中枢脑电信号与表面肌电信号均会产生相应的变化.以脑电图与表面肌电图为基础的数字处理方法,在生物力学研究中将发挥重要作用.     

基于小波包和深度信念网络的脑电特征提取方法

针对运动想象脑电信号(motor imagery electroencephalography,MI-EEG)的时变性、个体差异性等特点,提出一种将小波包变换(wavelet packet transform,WPT)与深度信念网络(deep belief networks,DBN)相结合的脑电特征自动提取方法,记为WD法。首先,利用平均功率谱方法对MI-EEG进行时域分析,选取有效的时序段。其次,使用WPT对有效时域段的各导MI-EEG进行时频分解,并选取与想象任务相关的频段信息重构脑电信号;然后,将各导重构MI-EEG串接,并将其瞬时功率信号输入给DBN模型实现特征自动提取。最后,利用Softmax分类器完成脑电想象任务的模式分类。在DBN模型训练中通过增加Dropout训练技巧来解决因训练数据少等引起的过拟合问题,以提高分类结果。利用BCI标准竞赛数据库进行实验研究,5-折交叉验证法取得了94.06%的分类准确率,证明该方法能够充分利用脑电的神经生理学特点,自适应地提取个性化的深层脑电特征,有利于改善分类效果。     

训练时间对上肢MI侧向性识别的影响研究

研究了短时间内的时间效应是否影响基于支持向量机模型的运动想象脑电信号分类准确率.实验中每名被试每天早晚各训练一次,分别采集第3、5、7d的数据.以左手为例,随着训练天数的增加,C4导联事件相关去同步现象加深,即能量衰减值增大且不同训练天数的能量衰减值之间属于显著性差异(P＜0.05);信号的十折交叉验证(平均)准确率与...     

基于MTACNet网络的运动想象脑电分类

为了更好地利用到脑电信号中的相关特征，改善运动想象脑电的分类性能，构建了一种基于混合特征和并行多尺度TCN模块的多层卷积网络（MTACNet）。首先，搭建基于混合特征的多层卷积神经网络，并在其中嵌入高效通道注意力机制，选取PReLU作为激活函数，以提取脑电信号中的时域和空域信息；然后对TCN模块进行改进，构建并行多尺度时域特征提取模块，接入多层卷积网络，进一步挖掘不同时间尺度的特征信息。在公开数据集BCI_IV_2a和自采数据集SCU_MI_EEG上进行测试，平均分类准确率分别为8615%、7710%，标准差分别为917%、1358%。并且针对自采数据集，设计了一种融合多频域脑电信号进行三通道输入的预处理方法，经过预处理后使平均分类准确率提升了329%。实验结果表明，与其他方法相比，本文所构建的分类网络取得了较为不错的分类效果，所设计的预处理方法能够降低复杂环境和无关干扰因素对分类结果的影响。     

Grael脑电放大器与深度学习的手势实时识别研究

手势识别是人机交互的关键。为了能够更好地实现脑电信号与肌电信号的融合,精准地识别人体的运动,本文建立了一套基于Grael脑电放大器的手势动作实时检测识别的研究系统。通过Grael脑电放大器和Curry8系统采集5个通道的8种不同手势的表面肌电信号(sEMG),并对采集到的sEMG信号进行滤波去噪、滑动窗口分割以及特征提取等预处理的操作;最后采用几种常用的分类器与卷积神经网络(CNN)对不同手势的sEMG信号进行实时分类识别。结果表明CNN的识别准确率最高,能达到92.98%;对每个手势动作进行30次实时识别检测,结果显示识别延迟大概在1～1.5 s,实时识别的精度可高达90%。该系统为将来研究脑电信号与肌电信号的融合提供了一个可行的方法,在人机交互方面展现了巨大的潜力和应用空间。     

基于小波包变换对脑电信号的分析和处理

本文提出从时变非平稳脑电信号中提取脑电动态节律的新方法.用小波包分解构造不同频率特性的时变滤波器,以提取各种时变的脑电节律来研究临床脑电信号瞬时变化.在此基础上测试并分析了不同节律波的能量关系,求得能量分布的动态曲线.实验结果表明,小波包分解可以有效提取脑电中不同节律的动态特性,此方法也适用于分析其他生物医学信号.     

离散差分模块在癫痫脑电分类中的应用

针对癫痫脑电信号多分类的精度提升问题,提出了一种基于信号转差分模块与卷积模块结合的分类算法.信号转差分模块对原始脑电信号进行多阶差分运算,得到描述其波动特征的差分表示;然后卷积模块动态学习的方式将差分脑电信号转换为图片,利用预训练的卷积神经网络来提取信号特征并实现自动分类.分类结果表明,与现有研究相比,所提出的方法的最...