基于多参数公共空间频率模式算法的脑电特征提取

针对目前脑机接口中提取明显的脑电信号特征较难以及特征维数较多的缺陷,提出了一种多参数的公共空间频率模式CSSP(Common Spatio-Spectral Pattern)算法对脑电信号进行特征提取。该算法对不同通道的脑电信号采取不同的延时因子,增强了CSSP算法在频域上的滤波效果。在对2003年国际脑机接口BCI(Brain Computer Interface)竞赛的运动想象脑电识别中,利用多参数CSSP特征提取方法结合支持向量机SVM(Support Vector Machine)分类方法,在只提取两维特征的情况下,较公共空间模式CSP(Common Spatial Pattern)与CSSP算法,分类的正确率有了明显提高。同时,多参数的引入使该方法在特征提取上较CSP与CSSP算法具有更强的适用性。     

基于ELM运动想象脑电信号的分类

针对运动想象脑电信号的分类识别,提出一种基于小波变换和共空间模式滤波的方法进行特征提取。对EEG进行3层小波分解,提取相关层数小波系数的特征量;同时利用共空间模式对EEG进行空间滤波,提取其转换后信号的方差作为特征量,并将这两类特征量进行组合。该方法结合了时频域和空间域的特征信息,可提高分类识别的效果。最后选取BCI2003中Data setⅢ数据作为样本,分别用极限学习机和基于粒子群算法的支持向量机进行分类识别。实验结果表明极限学习机分类学习时间较快,最优识别率为94.2857%,证明了该方法更适用于脑机接口系统。     

想象左右手运动的脑电特征提取

针对脑机接口中脑电信号特征提取的传统方法特征数量多、计算量大及分类正确率低等不足,提出了一种基于时域、频域、空域结合的方法用于提取大脑在想象左右手运动时所产生的事件相关去同步(ERD)和事件相关同步(ERS)信号.分别用独立分量分析(Independent Component Analysis, ICA)和小波变换提取原始脑电信号的空域特征及时频域特征,并用BP(Back Propagation )神经网络对提取的特征进行分类.分类实验结果表明,运用提出的方法提取的想象左右手运动脑电的特征,有效克服了传统的仅基于时频域特征提取方法在描述脑电信号本质特征方面的不足,具有较好的分类正确率.     

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。     

免疫多域特征融合的多核学习SVM运动想象脑电信号分类

针对多通道四类运动想象(Motor imagery, MI)脑电信号(Electroencephalography, EEG)的分类问题, 提出免疫多域特征融合的多核学习SVM (Support vector machine)运动想象脑电信号分类算法.首先, 通过离散小波变换(Discrete wavelet transform, DWT)提取脑电信号的时频域特征, 并利用一对多公共空间模式(One versus the rest common spatial patterns, OVR-CSP)提取脑电信号的空域特征, 融合时频空域特征形成特征向量.其次, 利用多核学习支持向量机(Multiple kernel learning support vector machine, MKL-SVM)对提取的特征向量进行分类.最后, 利用免疫遗传算法(Immune genetic algorithm, IGA)对模型的相关参数进行优化, 得到识别率更高的脑电信号分类模型.采用BCI2005desc-Ⅲa数据集进行实验验证, 对比结果表明, 本文所提出的分类模型有效地解决了传统单域特征提取算法特征单一、信息描述不足的问题, 更准确地表达了不同受试者个性化的多域特征, 取得了94.21%的识别率, 优于使用相同数据集的其他方法.     

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。     

运动想象脑电信号特征提取与分类算法研究

针对运动想象脑电信号特征提取困难,分类正确率低的问题,提出了利用小波熵进行特征提取并采用支持向量机（SVM）来分类的算法。计算运动想象脑电信号的功率,通过理论分析选择小波包尺度,对信号功率进行小波包分解并计算其小波包熵（WPE）,提取C3、C4导联的小波包熵插值组成特征向量,将特征向量作为分类器的输入送入支持向量机进行分类。采用国际BCI竞赛2003中的Graz数据进行验证,算法的最高分类正确率达97.56%。算法特征向量维数低、数据量小、分类正确率高,对运动想象脑电信号特征提取及分类的任务可以提供参考方法。     

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%.     

多类运动想象脑电信号的两级特征提取方法

共同空间模式（Common spatial pattern,CSP）是运动想象脑机接口（Brain-computer interface,BCI）中常用的特征提取方法,但对多类任务的分类正确率却明显低于两类任务.通过引入堆叠降噪自动编码器（Stacked denoising autoencoders,SDA）,提出了一种多类运动想象脑电信号（Electroencephalogram,EEG）的两级特征提取方法.首先利用一对多CSP（One versus rest CSP,OVR-CSP）将脑电信号变换到使信号方差区别最大的低维空间,然后通过SDA网络提取其中可以更好表达类别属性的高层抽象特征,最后使用Softmax分类器进行分类.在对BCI竞赛IV中Data-sets 2a的4类运动想象任务进行的分类实验中,平均Kappa系数达到0.69,表明了所提出的特征提取方法的有效性和鲁棒性.     

基于改进时频共空间模式的运动想象脑电信号分类

共空间模式侧重提取信号的空间信息,是脑电信号中滤波和特征提取的常用算法之一。然而脑电信号的时间窗、频带和通道的选择都会影响其分类结果。为了提高CSP特征的表征能力,采用了基于相关系数的脑电通道选择方法,结合时频共空间模式提取特征,提出了通道选择共时频空间模式(CS-CTFSP)新框架。首先利用通道间相关性,在主通道的基础上筛选合适的通道集合;并利用时频共空间模式从每个时间窗口的多个子频带中提取CSP特征;接着引入一种子频带筛选方法去除无区分能力的频带单元后,结合LASSO提取稀疏特征;最后采用LDA分类器对脑电信号进行分类。在对BCI Competition III Dataset IVa和BCI Competition IV Dataset I二分类运动想象任务的分类实验中,平均分类精度达到91.10%和87.92%,并与其他运动想象方法进行了比较,验证了本文方法的有效性。     

基于改进CSP算法的运动想象脑电信号分类方法

For the problem of low classification accuracy and poor real-time performance during the traditional common spatial patterns (CSP) algorithm for motor imagery EEG signal processing, a new analysis method of CSP EEG signal based on time space frequency domain is put forward. Firstly, the wavelet packet is used to decompose the original signal of EEG, the motor imagery EEG rhythm is extracted according to the frequency distribution of EEG signal, and the spatial features of EEG are extracted by improving CSP algorithm. Then, we introduce the time window to filter the EEG signals, and eliminate the influence of EEG fluctuation at the beginning and end of the motion imagery. Lastly, according to the characteristics of the physiological distribution of EEG signals in the brain cortex, the method based on spindle channel is used to process the EEG signal and analyze computational time of different algorithms and the classification results. The experimental results show that, the running time of the algorithm is 1.562 s, which is 67% shorter than the traditional method, and the average classification accuracy is up to 97.5% when the number of spindle channels is 29 and the time window is 2 s. In the meantime, the results show that the proposed method can effectively improve the classification accuracy and the real-time performance of motor imagery EEG.     

基于HHT运动想象脑电模式识别研究

脑机接口是一种变革性的人机交互, 其中基于运动想象(Motor imagery, MI)脑电的脑机接口是一类非常重要的脑机交互. 本文旨在探索有效的运动想象脑电特征模式提取方法. 采用在时域、频域同时具有很高分辨率的希尔伯特--黄变换(Hilbert-Huang transform, HHT),进而提取自回归(Auto regressive, AR)模型参数并计算运动想象脑电平均瞬时能量,从而构造特征向量, 最后利用能较好地适应运动想象脑电单次试验分类的支持向量机(Support vector machine, SVM)进行分类. 结果表明在Trial的5.5～7.5s期间, HHT特征提取方法平均分类正确率为81.08%, 具有良好的适应性;最高分类正确率为87.86%, 优于传统的小波变换特征提取方法和未经HHT的特征提取方法;在Trial的8～9s期间, HHT特征提取方法显著优于后两种特征提取方法. 本研究证实了HHT对运动想象脑电这一非平稳非线性信号具有很好的特征提取能力, 也再次验证了运动想象事件相关去同步(Event-related desynchronization, ERD)现象, 同时也表明运动想象脑电的脑--机交互系统性能与被试想象心理活动的质量密切相关. 本文可望为基于运动想象脑电的在线实时脑机交互控制系统的研究打下坚实的基础.     

Discrimination of Motor Imagery Patterns by Electroencephalogram Phase Synchronization Combined With Frequency Band Energy

Central nerve signal evoked by thoughts can be directly used to control a robot or prosthetic devices without the involvement of the peripheral nerve and muscles. This is a new strategy of human-computer interaction. A method of electroencephalogram (EEG) phase synchronization combined with band energy was proposed to construct a feature vector for pattern recognition of brain-computer interaction based on EEG induced by motor imagery in this paper. rhythm and beta rhythm were first extracted from EEG by band pass filter and then the frequency band energy was calculated by the sliding time window; the instantaneous phase values were obtained using Hilbert transform and then the phase synchronization feature was calculated by the phase locking value (PLV) and the best time interval for extracting the phase synchronization feature was searched by the distribution of the PLV value in the time domain. Finally, discrimination of motor imagery patterns was performed by the support vector machine (SVM). The results showed that the phase synchronization feature more effective in 4 s-7 s and the correct classification rate was 91.4 %. Compared with the results achieved by a single EEG feature related to motor imagery, the correct classification rate was improved by 3.5 and 4.3 percentage points by combining phase synchronization with band energy. These indicate that the proposed method is effective and it is expected that the study provides a way to improve the performance of the online real-time brain-computer interaction control system based on EEG related to motor imagery.      

基于图卷积网络的运动想象识别

运动想象识别将大脑的神经活动信号转为编码输出以实现意念控制,是脑机接口的一个重要研究方向.近年来深度学习算法的应用进一步提高了运动想象识别的准确率,但是当前基于深度学习的运动想象分析都将多路脑电信号作为二维矩阵信号,忽视了不同节点的空间关联信息.为了解决这个问题,将图卷积网络算法应用到运动想象分类中,通过多个节点脑电信...     

Clustering technique-based least square support vector machine for EEG signal classification

This paper presents a new approach called clustering technique-based least square support vector machine (CT-LS-SVM) for the classification of EEG signals. Decision making is performed in two stages. In the first stage, clustering technique (CT) has been used to extract representative features of EEG data. In the second stage, least square support vector machine (LS-SVM) is applied to the extracted features to classify two-class EEG signals. To demonstrate the effectiveness of the proposed method, several experiments have been conducted on three publicly available benchmark databases, one for epileptic EEG data, one for mental imagery tasks EEG data and another one for motor imagery EEG data. Our proposed approach achieves an average sensitivity, specificity and classification accuracy of 94.92%, 93.44% and 94.18%, respectively, for the epileptic EEG data; 83.98%, 84.37% and 84.17% respectively, for the motor imagery EEG data; and 64.61%, 58.77% and 61.69%, respectively, for the mental imagery tasks EEG data. The performance of the CT-LS-SVM algorithm is compared in terms of classification accuracy and execution (running) time with our previous study where simple random sampling with a least square support vector machine (SRS-LS-SVM) was employed for EEG signal classification. We also compare the proposed method with other existing methods in the literature for the three databases. The experimental results show that the proposed algorithm can produce a better classification rate than the previous reported methods and takes much less execution time compared to the SRS-LS-SVM technique. The research findings in this paper indicate that the proposed approach is very efficient for classification of two-class EEG signals.     

基于时频域的卷积神经网络运动想象脑电信号识别方法

针对目前运动想象脑电（EEG）信号识别率较低的问题，考虑到脑电信号蕴含着丰富的时频信息，提出一种基于时频域的卷积神经网络（CNN）运动想象脑电信号识别方法。首先，利用短时傅里叶变换（STFT）对脑电信号的相关频带进行预处理，并将多个电极的时频图组合构造出一种二维时频图；然后，针对二维时频图的时频特性，通过一维卷积的方法设计了一种新颖的CNN结构；最后，通过支持向量机（SVM）对CNN提取的特征进行分类。基于BCI数据集的实验结果表明，所提方法的平均识别率为86.5%，优于其他传统运动想象脑电信号识别方法；同时将该方法应用在智能轮椅上，验证了其有效性。     

基于EMD和LVQ的信号特征提取及分类方法

针对非平稳、非线性、微弱信号难以分析和处理的特点,本文提出了一种基于经验模式分解和学习向量量化神经网络的信号处理和分类方法,并在生物信号处理领域(左、右手运动想象的脑电信号)进行了研究和应用.首先通过经验模式分解算法对脑电信号分解,然后选取主要固有模态函数分量并计算其绝对均值作为特征值,最后使用学习向量量化网络进行分类,并分别与支持向量机和误差反向传播神经网络分类算法进行了对比研究.实验结果表明,所提出的算法分类正确率达到了87％,相比于其余两种对比算法在特定的信号处理领域优越,具有一定的参考和研究价值.     

基于CI-HMM的运动想象脑电信号分类

针对隐马尔科夫模型在运动想象脑电信号分类应用中,其独立性假设与脑电信号间相关性的不一致问题,提出一种基于Choquet 模糊积分隐马尔科夫模型的脑电信号分类方法。该模型应用模糊积分的单调性取代了概率测度的可加性,放宽了隐马尔科夫模型的独立性假设。利用重叠滑动窗对脑电信号分段,然后对每段数据提取绝对均值、波长和小波包相对能量特征,构成特征序列用于CI-HMM的训练和分类。选取2008年BCI竞赛Datasets 1的两类运动想象数据进行分类,实验结果表明,该方法有效提高了隐马尔科夫模型方法对运动想象脑电信号分类的性能。     

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。