基于共空间模式与决策树支持向量机的运动想象脑电信号分类

针对脑电信号(Electroencephalogram, EEG)采集易受干扰导致EEG分类准确率低的问题,提出一种基于共空间模式(Common Spatial Pattern, CSP)与决策树支持向量机法(Decision Tree Support Vector Machine, DTSVM)相融合的运动想象脑电信号处理方法。首先利用CSP算法对运动想象的EEG特征值进行特征提取,其次运用线性判别分析法(Linear Discriminant Analysis, LDA)、自适应增强分类法(Adaptive Boosting, Adaboost)和决策树支持向量机法分别对特征进行分类,最后通过实验对比发现,利用决策树支持向量机进行分类的分类效果最佳,分类准确率最高可达到92.52%。     

基于排列熵和CSP融合的脑电信号特征提取

脑电信号(EEG)是一种在医学领域应用非常广泛的生物电信号。单一的特征提取方法不能够多方面表示脑电信号特征,从而会给不同意识任务下运动想象脑电信号的分类带来一定困难。对此,提出一种基于离散小波变换(DWT)、排列熵(PE)和共空间模式算法(CSP)的特征提取方法(DWT-PECSP)。首先,采用db4小波基对原始脑电信号进行3层小波分解,根据左右手运动想象所处的频段重构出包含μ节律(8 Hz-12 Hz)和β节律(18 Hz-26 Hz)的频段信号;然后,分别计算出该频段信号的排列熵值和CSP方差作为特征量,并将这两组特征量进行组合;最后,将组合后的特征量输入到支持向量机(SVM)中进行分类识别。实验结果表明,该算法在2003年脑机接口竞赛的标准数据集(DataSet Ⅲ)分类上获得了较高的分类准确率(91.43%),均高于单一提取排列熵特征的准确率(71.42%)和CSP方差特征的准确率(85.71%)。通过对比近年来其他文献的特征提取方法,验证了DWT-PECSP算法能够更有效地提取运动想象脑电特征。     

基于小波包最优基的运动想象EEG自适应特征提取方法

针对运动想象脑机接口系统存在分类正确率低、自适应能力差等不足,提出一种基于小波包最优基的自适应特征提取方法;该方法首先对运动想象EEG进行小波包分解;其次,对传统的距离准则进行改进,通过引入权重因子表征对类内距离和类间距离的关注程度,获得一种既可满足小波包最优基评价准则的可加性条件,又有效地增强了频带特征信息的可分离性的评价准则;进而,采用自底向顶、自左至右的快速搜索策略获取小波包最优基,并选取最优基对应的分类性能评价值较高的部分频带小波包系数构成分类特征;仿真结果表明本方法最高分类正确率可达93.4%,与常用的时频分析方法对比,验证了本算法具有较高的分类正确率和较小的时间花费。     

基于支持向量机和PCA的脑电α波运动想象分类研究

针对脑电信号(EEG)运动想象分类过程中弱相关特征量影响分类准确度的问题,提出一种筛选方法,该方法是基于α波和主成分分析(PCA)算法的。基于脑机接口(BCI)系统,通过听觉诱发刺激产生向左和向右两种运动想象任务对应的脑电信号,并对其做小波包分解处理,然后进行脑电α频段信号的重构,从而提取出α波形并对其进行统计特征提取。再结合PCA技术和支持向量机(SVM)方法,实现弱相关特征的剔除和特征分类。根据筛选后的数据进行分类,所得结果准确率更高,信号分类的准确度由90.1%提高至94.0%。     

运动相关脑电信号的运动意图预测方法研究

为了找出在大脑的后顶叶皮层区(PPC)运动意图预测与运动想象EEG信号之间的关联,联合运动相关电位MRPs与mu/beta节律的事件相关同步/去同步(ERS/ERD)特征,首先用小波包分解WPD重构特征频段的小波包分解系数特征向量,其次采用共空间模式CSP提取空域特征向量,最后利用支持向量机(SVM)进行运动意图预测。通过实验验证,联合运动想象信号中的运动相关电位及mu/beta节律,运动意图预测分类准确率达到85%。得出1)证实了运动相关MRPs可以表征运动准备即运动规划阶段的脑神经机制,2)10Hz以下的mu和beta节律ERS/ERD特征能够体现运动意图的方向。研究结论进一步为精细运动(包括运动方向、速度等其他运动参数)预测提供技术支持。     

基于多类运动想象任务的EEG信号分类研究

针对多类运动想象脑电信号个体差异性强和分类正确率比较低的问题,提出了一种时-空-频域相结合的脑电信号分析方法:首先利用小波包对EEG原始信号进行分解,根据EEG信号的频域分布提取出运动想象脑电节律,通过“一对多”共空间模式(CSP)算法对不同运动想象任务的脑电节律进行空间滤波提取特征;然后将特征向量输入到“一对多”模式下的支持向量机(SVM)中,并利用判断决策函数值的方法对SVM的输出结果进行融合;最后通过引入时间窗对脑电信号进行时域滤波,消除运动想象开始和结束时脑电的波动,进一步提高信号信噪比和算法的分类效果;实验结果显示:在时间窗为2 s时,平均最大Kappa系数达到了0.72,比脑机接口竞赛第一名提高了0.15,验证了该算法能够有效减小脑电信号个体差异性影响,提高多类识别正确率。     

基于多特征和BP神经网络的脑-机接口研究

研究了一种基于运动想象识别的脑-机接口(BCI)系统,通过提取想象过程中的脑电信号(EEG)中Alpha波特征,采用多特征分类的方法,以提高脑-机接口系统运动想象识别的正确率。针对脑电信号单特征分类精确度低、耗时长等缺点,采用自回归模型法、统计特征提取和频域分析的方法对Alpha波提取多个特征值,利用BP神经网络进行分类,对运动想象进行识别。通过实验验证了其识别率较高,取得了预期的效果,证明了多特征融合结合BP神经网络运用于脑机接口系统的可行性。     

基于样本熵和模式识别的脑电信号识别算法研究

脑-机接口BCI是一种实现人脑和外部设备通信的新兴技术。基于时频特性进行特征提取的传统方法无法体现EEG信号的非线性特征。为了进一步提高分类的准确率,首先采用小波阈值降噪的预处理方法提高了EEG信号的信噪比。然后结合非线性动力学的样本熵参数,对3种想象运动的脑电信号进行特征提取,保留了脑电信号的非线性特征。其中,运动想象MI脑电信号的研究一直都是BCI这一高速发展领域的重点目标。还研究了支持向量机、LVQ神经网络和BP神经网络3种分类器。通过实验结果对比发现,BP神经网络具有较高的识别率,更适用于脑电信号的分类识别。     

异步BCI系统中运动想象诱发脑电特征识别

针对异步运动想象脑机交互（Brain Computer Interface,BCI）系统中空闲状态检测和不同想象任务分类的问题,在小波变换提取脑电信号特征基础上,设计了阈值判别结合支持向量机的二级分类器。由于大脑想象单侧肢体运动时,会导致同侧和对侧运动皮层脑区EEG信号在μ节律上分别出现事件相关同步和去同步,而大脑处于空闲状态时则无此现象。基于大脑活动的这一特性,提出了小波能量阈值判别法,进行空闲状态检测,径向基核函数和交叉检验的支持向量机方法,进行左、右手运动想象任务分类。结果表明该分类器最佳分类正确率达到了80.7%,且整个时间消耗仅为3.0 s,可以较好地满足异步在线运动想象BCI系统的应用。     

基于ERS/ERD的二级共空间模式的运动想象脑电信号特征提取

针对多类运动想象EEG信号在脑-机接口方面存在分类识别率低和被试者差异性的问题,提出了一种基于ERS/ERD现象的二级共空间模式特征提取的方法。首先对全部导联进行特定频段的小波包降噪和分解;其次对分解系数重构后的信号以手(左、右)和脚(脚、舌)这二类进行一级共空间模式获取空间滤波器并对其采用2-范数筛选准则,提取权重系数较大的N个导联;然后以优化导联的投影矩阵对手与脚进行空间滤波后的信号分别作为原始信号进行二级空间模式特征提取;最后采用支持向量机进行分类。采用BCI2005Ⅲa中三位被试者的数据进行仿真验证,得到分类正确率最高达到92.55%。结果表明,该方法对EEG信号的特征提取具有较好的效果。     

Comparison of EEG signal decomposition methods in classification of motor-imagery BCI

A brain–computer interface (BCI) provides a link between the human brain and a computer. The task of discriminating four classes (left and right hands and feet) of motor imagery movements of a simple limb-based BCI is still challenging because most imaginary movements in the motor cortex have close spatial representations. We aimed to classify binary limb movements, rather than the direction of movement within one limb. We also investigated joint time-frequency methods to improve classification accuracies. Neither of these, to our knowledge, has been investigated previously in BCI. We recorded EEG data from eleven participants, and demonstrated the classification of four classes of simple-limb motor imagery with an accuracy of 91.46% using intrinsic time-scale decomposition and 88.99% using empirical mode decomposition. In binary classifications, we achieved average accuracies of 89.90% when classifying imaginary movements of left hand versus right hand, 93.1% for left hand versus right foot, 94.00% for left hand versus left foot, 83.82% for left foot versus right foot, 97.62% for right hand versus left foot, and 95.11% for right hand versus right foot. The results show that the binary classification performance is slightly better than that of four-class classification. Our results also show that there is no significant difference in terms of spatial distribution between left and right foot motor imagery movements. There is also no difference in classification performances involving left or right foot movement. This work demonstrates that binary and four-class movements of the left and right feet and hands can be classified using recorded EEG signals of the motor cortex, and an intrinsic time-scale decomposition (ITD) feature extraction method can be used for real time brain computer interface.

     

多任务运动想象脑电特征的融合分类研究

针对运动想象脑-机交互任务模式单一、识别精度低、实用性较差等问题,采用改进的共空间模式（CSP）的特征提取方法,并利用支持向量机（SVM）与CSP融合分类方法对多类任务运动想象脑电特征进行分类识别。首先,选择特定导联上的脑电信号进行小波分解与重构,去除冗余信息;其次,利用特征参数做差的方法,得到较为明显的脑电特征;最后,通过SVM融合CSP的分类模式,对脑电特征进行多任务分类。利用BCI竞赛数据,对左手,右手,舌和脚四类运动想象任务的脑电进行识别。结果表明：分类正确率最高达到90.9%,平均正确率为86.8%,Kappa系数为0.8867,信息传输速率可达0.68 bit/trial,能够有效的获得脑电特征并较好的实现多任务运动想象脑电识别。     

基于Mahalanobis距离的运动意识分类研究

提出基于Mahalanobis距离判别式算法的意识任务分类方法.对被测试者想象左右手运动时脑电信号的mu节律能量变化进行在线动态分析,提取EEG(C3,C4)两个通道的mu节律能量作为特征向量,用Mahalanobis距离判别式算法对左右手运动想象脑电模式进行分类,实验结果表明,正确识别率可达87.86%.     

基于脑-机接口的无线智能机器人控制系统

提出一种基于思维脑电的无线智能机器人控制系统设计方案。该系统采用想象左右手运动时产生的脑电信号作为智能服务机器人运动的控制信号,实现对服务机器人的控制,改善瘫痪患者生活自理能力。采用基于小波包分解的方法提取特征向量,利用基于欧式距离的方法进行模式识别,进而产生机器人运动控制信号,并通过LabVIEW串口发给单片机,单片机对该信号进行红外编码后发给智能机器人,用以控制其运动方向。实验结果证明,该设计方案有利于提高脑-机接口的实用性。     

基于张量分解的运动想象脑电分类算法

论文结合短时傅里叶变换(short time Fourier transform,STFT)和平行因子分解(parallel factor,PARAFAC)模型,对运动想象脑电(EEG)进行分类。首先,通过短时傅里叶变换获得左、右手运动想象脑电的时频分布,然后平行因子分解方法从构建的张量数据中提取时域特征,最后采用贝叶斯分类器对特征进行分类。在短时傅里叶变换中,选择合理的窗函数长度和相邻片段重叠程度很重要,对分类结果有较大的影响,通过调整这两个参数,论文提出的方法获得了较好的分类结果。     

Multiband decomposition and spectral discriminative analysis for motor imagery BCI via deep neural network

Human limb movement imagery, which can be used in limb neural disorders rehabilitation and brain-controlled external devices, has become a significant control paradigm in the domain of brain-computer interface (BCI). Although numerous pioneering studies have been devoted to motor imagery classification based on electroencephalography (EEG) signal, their performance is somewhat limited due to insufficient analysis of key effective frequency bands of EEG signals. In this paper, we propose a model of multiband decomposition and spectral discriminative analysis for motor imagery classification, which is called variational sample-long short term memory (VS-LSTM) network. Specifically, we first use a channel fusion operator to reduce the signal channels of the raw EEG signal. Then, we use the variational mode decomposition (VMD) model to decompose the EEG signal into six band-limited intrinsic mode functions (BIMFs) for further signal noise reduction. In order to select discriminative frequency bands, we calculate the sample entropy (SampEn) value of each frequency band and select the maximum value. Finally, to predict the classification of motor imagery, a LSTM model is used to predict the class of frequency band with the largest SampEn value. An open-access public data is used to evaluated the effectiveness of the proposed model. In the data, 15 subjects performed motor imagery tasks with elbow flexion / extension, forearm supination / pronation and hand open/close of right upper limb. The experiment results show that the average classification result of seven kinds of motor imagery was 76.2%, the average accuracy of motor imagery binary classification is 96.6% (imagery vs. rest), respectively, which outperforms the state-of-the-art deep learning-based models. This framework significantly improves the accuracy of motor imagery by selecting effective frequency bands. This research is very meaningful for BCIs, and it is inspiring for end-to-end learning research.     

面向运动想象脑电图识别的镜卷积神经网络

目的 脑电图（electroencephalogram,EEG）是一种灵活、无创、非侵入式的大脑监测方法,广泛应用于运动想象脑机接口系统中,运动想象脑电图识别精度是决定系统性能的关键因素。然而由于脑电图采集时间长、个体差异大等原因,导致单个受试者可用于模型训练的样本数量少,严重影响了卷积神经网络在脑电图识别任务中的表现。为此,本文提出一种镜卷积神经网络（mirror convolutional neural network,MCNN）模型,使用集成学习与数据扩增方法提高运动想象脑电图识别精度。方法 在训练阶段,基于源脑电通过互换左右侧脑电通道构造镜像脑电,并与源脑电一起用于源卷积网络训练,有效扩增了训练样本;在预测阶段,复制已训练源卷积网络作为镜像卷积网络,将测试集中的源脑电输入源卷积网络,构造的镜像脑电输入镜像卷积网络,集成源卷积网络与镜像卷积网络输出的类别预测概率,形成最终类别预测。结果 为了验证模型的有效性和通用性,基于3种不同运动想象脑电图识别卷积网络模型分别构造镜卷积网络,并在第4届脑机接口大赛2a与2b数据集上进行实验验证。实验结果与原始模型相比,运动想象四分类和二分类准确率分别平均提高了4.83%和4.61%,显著提高了识别精度。结论 本文面向运动想象脑电图识别,提出了镜卷积神经网络模型,通过集成学习与数据扩增方法提高运动想象识别精度,有效改善了运动想象脑机接口性能。     

基于样本熵的运动想象分类研究

提出了基于脑电的样本熵特征进行运动想象分类的思想,分析了左右手运动想象时感觉运动皮层的脑电信号样本熵及其动态变化规律．结果表明,样本熵能够较好地反映左右手运动想象时脑电特征的变化,具有明确的生理意义．在此基础上,利用Fisher线性分类器对基于样本熵的左右手运动想象进行了动态分类,得到的平均最大分类正确率达到87.8%．最后,提出了一种样本熵的快速算法,其计算量小、速度快,满足BCI实时系统要求．     

基于眼动辅助脑电信号的手部动作分类方法

提出一种利用小波包变换和支持向量机对手部动作的运动想象脑电信号进行分类的方法。在相关眼动辅助情况下采集想象手部动作时的C3、C4 、P3和P4通道脑电信号,用小波包变换的方法提取4种特征节律波,分别计算每种节律波能量占4种节律波能量之和的比值作为特征,然后将16维特征向量输入支持向量机分类器进行手部动作分类。对上翻、下翻、展拳、握拳4种手部动作的分类实验中平均识别率为82。3%,表明眼动辅助能有效提高运动想象脑电信号可分性。