多类运动想象任务脑电信号的KNN分类研究

针对基于多类任务的运动想象脑电信号的特点,使用共空间模式特征提取方法分别在"一对一"和"一对多"2种特征提取方法下提取了4类任务(想象左右手、双足以及舌头)运动想象脑电信号的特征。设计了基于多类任务模式的k最近邻分类器,针对多类任务分类过程中会出现不同类别的样本点数相等的情况,通过判断距离的方法改进了分类器,对2种特征提取方法下的共空间模式特征进行分类,分类结果的平均最大Kappa系数分别达到了0.55和0.59,说明了该特征提取及分类方法对该数据集的有效性。     

基于改进GHSOM的运动想象脑电信号自适应识别方法

为解决运动想象脑电信号(MI-EEG)的识别方法泛化能力受限和自适应性差等问题,对传统的生长、分层自组织映射神经网络(GHSOM)进行改进,并提出一种主成分分析法(PCA)与改进的GHSOM神经网络(IGHSOM)相结合的脑电自适应识别方法。由于IGHSOM能够根据上一层扩展神经元的量化误差进行自动分层判断,使得其不仅对数据映射更加准确和详细,而且增强了网络的稳定性和自适应性。基于脑机接口(BCI)竞赛数据库,利用PCA进行特征提取,以IGHSOM为分类器进行实验研究。结果表明,该方法获得了较高的识别精度,验证了GHSOM改进策略及该识别方法的正确性和有效性。     

想象多力度单侧手运动的脑电信号分类研究

目的传统脑机接口实验范式多为左右手运动想象,无力度分级,命令单一,为增加脑机接口命令数,使中风患者在康复期间设计获得更好的治疗方案,设计了想象三种力度下的单侧手运动实验并对其进行分类。方法 9名受试者被要求想分别以三种力度(50%、30%、10%最大自主收缩力)握紧单侧手,同时记录脑电及肌电信号,对脑电信号预处理后进行空间滤波和特征提取,再对处理后的数据进行带通滤波并提取特征,利用线性判别分析作为分类器。结果\结论采用两级特征提取分类方法,平均分类正确率达到72.4%,证明通过分析想象不同力度单侧手运动的脑电信号能够扩展脑机接口命令数。     

基于HHT和SVM的运动想象脑电识别

对运动想象脑电信号(EEG)分类识别是脑-机接口(BCI)研究领域的重要问题。本文通过经验模式分解(EMD)将EEG分解为一系列内蕴模式函数(IMF),并对重要IMF的瞬时幅度提取AR模型参数,同时对所有的IMF进行Hilbert变换(HT)得到Hilbert谱,进而求得瞬时能量(IE)。将得到的AR参数和IE,结合时域均值和中值绝对偏差估计(MAD),组成初始特征,然后利用经遗传算法(GA)优化的支持向量机(SVM)进行分类,得到识别结果。对2008年BCI CompetitionⅣDataset 1中想象左手和脚运动的两组数据进行识别,在仅仅使用少数通道的情况下,识别正确率分别达到84.7%和85.8%,初步验证了该方法的有效性。     

基于共空间模式的四类运动想象脑电信号分类方法

针对多通道四类运动想象脑电信号分类问题,使用共空间模式的特征提取方法,设计了"一对一"和"一对多"两种特征提取策略,最后结合不同的策略设计了基于支持向量机的不同分类方法。应用提出的方法对四类运动想象脑电信号进行了特征提取和分类,两种策略下分类正确率分别为64%、59%,可见,基于"一对一"的分类结果高于"一对多"的分类结果,说明了该特征提取及分类方法对该数据集的有效性。     

基于运动想象脑电信号分类的上肢康复外骨骼控制方法研究

为解决偏瘫患者在主动康复训练中对上肢外骨骼的控制难题,提出一种基于单次运动想象的脑电信号分类方法,并将其应用于自主研发上肢外骨骼的实时控制中。针对脑电信号信噪比低、个体差异较大的问题,提出一种改进的共同空间模式(Common spatial pattern,CSP)特征提取算法,并结合支持向量机(Support vector machine,SVM)分类器,实现对单次运动想象脑电信号的分类;使用此分类方法对两种不同试验范式建立分类模型,并对其分类表现进行评估;将较好分类表现的分类模型应用于上肢外骨骼的实时控制中,验证方法的可行性。所有被试对上肢外骨骼控制的平均成功率达到87.12%±2.03%。试验结果表明,基于所提出的运动想象分类方法,可以实现上肢外骨骼的准确控制,并为面向康复训练的脑机接口技术提供了理论依据和实践基础。     

基于基因优化的脑电信号特征选择

针对脑机接口( BCI)研究中脑电信号的特征选择问题,提出了一种基因优化算法(GO).GO算法在变异的基础上实现自下而上、由微观到宏观的自组织优化,可以在提高分类精度的同时很大程度上节省在线数据处理的时间.为检验提出方法的有效性,将其与基于AGA的特征选择方法以及基于Fisher距离的滤波选择方法进行了比较,实验结果表明基于GO的分类精度明显高于其他方法,获得了最好的模式识别性能.     

基于GMM-HMM模型的智能下肢假肢运动意图识别

传统下肢假肢运动意图识别方法常使用多模态传感器信号,带来一定的复杂性以及模式转换识别一般带有滞后性,提出了基于数据驱动下的智能下肢假肢运动意图识别方法。在对单侧下肢截肢者运动模式进行了重定义后,仅使用惯性传感器,采集健肢侧处于摆动相的时序数据。选择高斯混合-隐马尔可夫模型作为分类器,对下肢假肢的运动意图进行识别。实验结果表明,该算法在模式空间中的一组基模式:平地行走、上坡、下坡、上楼和下楼5种稳态模式中,识别率达到98. 99%,在包含5种稳态模式和8类转换模式的13类运动模式中的识别率可达到96. 92%。所提出的方法可以在下肢假肢运动意图识别性能上有较大提升,帮助单侧下肢截肢者实现自然、流畅、稳定的行走。     

基于非接触式电容传感的人体运动意图识别

人体运动意图的准确可靠识别是人机共融中的关键问题之一。针对现有研究中的局限和不足,提出了全新的非接触式电容传感方法。该方法以金属电极不接触皮肤的方式测量肌肉收缩信号。介绍了电容传感的原理,分析了基于该方法测量肌肉收缩形状变化的机理。分别介绍了非接触式电容传感方法在小腿智能动力假肢控制和上肢运动识别中的应用。针对下肢智能假肢控制,提出了基于非接触式电容传感的运动模态以及模态切换的识别。为了进一步提高系统的可穿戴性,提出了基于柔性可延展液态金属电极的电容传感系统并进行了初步的试验验证;针对上肢运动识别,首先介绍了用于腕关节离散运动模式的识别研究,其次介绍了基于电容传感对连续握力的识别和估计,证实了电容传感这一全新方法在上肢运动识别中的可行性。未来会在穿戴式机器人控制以及协作性机器人模仿学习中对电容传感方法进行更深入的研究。     

基于运动意图识别的上肢助力外骨骼复合控制方法研究

针对上肢助力外骨骼助力时响应延时问题,提出一种基于人机交互力信号、位姿信号数据融合的运动意图识别算法,使用支持向量机(Support vector machine, SVM)分类器对人体运动信号进行分类,确定穿戴者运动意图,对控制参数做出适应性调节,改变人机协同控制系统响应速度。采用果蝇优化算法(Fruit fly optimization algorithm, FOA)优化支持向量机,提高分类准确率;引入有限状态机(Finite state machine, FSM),处理非合理运动意图。为降低外骨骼控制系统跟踪误差,设计一种模糊控制与阻抗控制结合的复合控制方法,提高控制参数更新速度,实时调整轨迹。开展运动意图识别实验,结果表明,识别准确率可达97.93%,可快速检测出非合理运动意图,与使用肌电信号作为运动数据相比,降低信号处理难度的同时,保持了较高的准确率;通过控制系统性能仿真与外骨骼助力性能测试实验证明了控制方法的可行性。     

基于RBF核函数支持向量机分类器的多导脑电信号分类识别研究

脑电信号是一种典型的非平稳随机信号,对脑电信号的分类识别是非常困难的,为了提高正确识别率,提出多导脑电信号的分类识别方法.首先对受试者分别在睁眼和闭眼状态下的单导脑电信号进行特征提取,然后选取多组识别效果不好的单导联的特征,组合成为多导脑电信号特征,最后用RBF核函数的支持向量机分类器进行分类识别.结果表明对多导联特征的正识率比单导联正识率有很大提高.     

基于组稀疏贝叶斯逻辑回归运动想象脑电信号分类模型的通道选择与分类新算法

针对脑电信号的通道选择和分类问题,提出了基于组稀疏贝叶斯逻辑回归(gsBLR)的运动想象脑电信号分类模型,同时进行通道选择和分类。首先,对多通道信号进行空间滤波和带通滤波,降低容积传导效应的影响;其次,对每个通道的信号提取具有判别信息的时域、频域以及时频域特征,并进行特征融合;最后,使用gsBLR方法进行通道选择和分类,在贝叶斯学习框架下模型参数可自动从训练数据中估计得到,避免了繁琐而耗时的交叉验证过程。在两个公开的脑机接口(BCI)竞赛数据集和自采集数据集上进行了实验验证,分别获得了81.63%、84.97%和76.47%的最高平均分类准确率;相比其他方法,所提出的方法具有较好的分类准确率和较少的通道数,同时所选通道与神经生理背景更加吻合。     

基于运动想象脑电的机器人连续控制系统研究

脑-机接口(BCI)旨在提供人脑和外部设备之间沟通的桥梁。目前,基于运动想象脑电信号的机器人控制系统主要是离散控制,而连续控制对于用户和环境的自然交流至关重要。基于此,设计了一种基于运动想象脑电的机器人二维连续控制系统,受试者进行运动想象时,发送给机器人的控制信号同时包含水平方向和垂直方向的控制信号,可以控制机器人在二维平面内运动。系统采用便携式脑电设备采集受试者运动想象时的脑电信号,经特征提取和转化后用来控制虚拟光标和机器人。实验中,首先通过一维和二维的虚拟光标控制任务来提高受试者控制机器人的能力;然后将光标控制和机械臂控制相结合,使得机械臂运动与光标移动同步;最终受试者通过运动想象脑电控制机械臂完成连续抓取任务。6名受试者在该系统上进行了多次实验,二维连续控制机械臂对4个目标的抓取成功率达到85%。     

融合脑电-肌电信号的人机协作装配意图识别方法

针对人机协作装配场景下基于单源生理电信号识别协作意图准确率不高、稳定性不好的问题,首先采用支持向量机方法分别从脑电信号和肌电信号识别单源协作装配意图,然后采用D-S证据理论对多源协作装配意图识别结果进行融合,提出了一种融合EEG-EMG信号的人机协作装配意图识别方法。实验结果表明,所提方法可以有效提高人机协作装配意图识别的准确率和稳定性。     

基于表面肌电信号的前臂手部多运动模式识别

基于表面肌电信号的肢体运动模式识别是假手仿生控制的基础，SEMG的个体差异与识别率是肌电假手实用化必须面对的问题。本文根据SEMG的频谱特性提出了一种新的特征提取方法——功率谱比值法。该方法的主要特点是以实时取得的SEMG功率谱信号为基础，确定最大功率谱附近的谱能量与全信号段谱能量之比为特征值，将人的个体差异影响降低到最低程度。模式分类器采用特别设计的Bayes统计决策算法，该方法在非特定人的条件下应用于前臂肌群的多运动模式识别时，识别正确率达到84％，已具备一定的实用性。     

基于独立分量分析的脑电信号消噪

脑电信号中往往含有各种形式的噪声干扰信号。这些干扰成分包括眼电、心电伪迹以及工频干扰等。由于干扰信号和脑电信号在频域上相互重叠,因此用时域或频域滤波的方法难以有效地消除脑电信号中的干扰成分。独立分量分析(Independent Component Analysis,ICA)是20世纪90年代发展起来的一种新的盲源分离方法(Blind Source Separation,BSS),将ICA方法应用于实测脑电信号的处理,获得非常理想的消噪效果。     

基于脑电信号的汽车前脸造型特征设计决策

为解决汽车前脸造型设计决策的问题,比较了用户感知燃油车与电动车前脸造型特征的差异,探讨了汽车前脸正性和负性表情对消费者偏好决策的影响,提出一种采用脑电测量技术评价用户反馈的方法。以Neural Scan脑电仪为数据采集工具,采集了40位用户观看传统汽车与电动车表情并做出是否购买决策的脑电数据,通过事件相关电位分析,发现用户对传统车的情绪感知优于电动车,用户偏好购买正性表情的汽车。回归分析结果发现,P300和LPP两个脑电成分对用户购买决策有显著影响。研究结果表明：电动车车脸设计应加大拟人化效果,脑电测量可作为设计决策的客观依据。     

基于双流卷积神经网络的肌电信号手势识别方法

面向高性能的肌电控制系统,提出一种基于双流卷积神经网络的肌电信号手势识别方法,其从原始表面肌电信号中提取离散小波变换系数,与原始表面肌电信号分别作为双流卷积神经网络两个分支的输入进行高层特征学习,最终通过一个高层特征融合模块对两个分支学习得到的高层特征进行融合.所提方法在3个包含50～52类手势动作表面肌电信号的大规模...