基于卡尔曼滤波理论的脑电逆问题反演

由头皮上的电压推断出大脑内神经活动源的过程称之为脑电逆问题,这一问题的解决具有重要的研究意义和应用价值。为了有效地进行脑电逆问题的反演计算,提出了一种基于状态空间的新的脑电逆问题求解算法。该方法首先根据神经系统的动力学方程得到状态方程,并由脑电系统的观测方程构成测量方程;然后应用卡尔曼滤波方法来反演大脑内活动源的信息。这种新的求逆算法不仅可以处理脑电系统中的不确定因素,而且还可以将静态和动态脑电逆问题的求解统一到同一框架下,因此具有一定的新颖性;最后分别给出了模拟数据和实际脑电数据的实验结果。实验结果证明,卡尔曼滤波法更具优越性。     

头皮脑电采集技术研究

脑电能反映人脑的健康及认知活动状况,是脑疾病诊治及认知神经科学的重要参数。脑电监测也是脑机接口的重要手段。其中,头皮脑电采集技术相对于颅内脑电采集技术具备无创的优点,相对于前额脑电采集能提供多通道多脑区的脑电信号,用途最广泛。然而头发遮蔽影响脑电采集性能,从而限制其应用。对头皮脑电采集技术的电极器件及可穿戴系统进行了综述研究,分析该领域国内外科研及产业化进展情况,并从新型材料、先进结构和加工工艺、系统集成三方面对头皮脑电采集技术的发展进行展望。研究对于头皮脑电采集技术的发展具有指导价值与参考意义。     

CNN实现的运动想象脑电分类及人-机器人交互

基于脑电的脑机交互能帮助肢体运动障碍患者进行日常生活和康复训练,但是,由于脑电信号存在信噪比较低、个体差异性大等问题,导致脑电特征的提取与分类还需要进一步提高准确性和效率.因此,在减少脑电采集通道数目、增加分类数目的前提下,基于卷积神经网络对运动想象中的脑电信号进行分类.首先,基于已有方法进行探索实验,建立由3层卷积层、3层池化层和2层全连接层构成的卷积神经网络;然后针对想象左手、右手、脚的运动和静息态设计与开展了实验,获取了相关脑电数据;之后,利用脑电数据训练出基于卷积神经网络的分类模型,测试结果表明,该模型平均分类识别率达到了82.81%,且高于已有的相关分类算法;最后,将已建立的分类模型应用于运动想象信号的在线分类,设计与开发了脑机交互应用原型系统,驱动人-机器人之间的实时交互,帮助用户利用运动想象控制仿人机器人的抬手、前进等运动状态.进一步的测试结果表明,机器人对用户控制命令的平均识别率达到了80.31%,从而验证了所提方法可以对运动想象脑电数据进行较为精确的实时分类,可以促进脑机接口技术在人-机器人交互中的应用.     

基于混合编程的脑电定位的仿真计算

基于头皮电位的脑电(EEG)的研究是一种无创的脑科学研究方法之一,引起了众多学者的关注.本文提出了基于MATLAB与VC 混合编程的脑电定位仿真计算.利用了MATLAB强大的遗传算法工具箱和VC 界面编程容易和代码执行效率高的优点,进行了癫痫棘波脑电定位的实验,实验结果表明,采用混合编程的仿真计算极大的提高了编程效率,减少了运行时间.     

MF-DFA在癫痫发作期及发作强度检测中的应用

癫痫患者的脑电特征是临床诊断、分类和预报癫痫的重要依据.作为测度时间序列内在模式变化的近似熵和样本熵成为一种临床癫痫分类和发作预报的重要方法,由于受到序列长度、嵌入维数以及阈值设置的影响,难以准确检测序列内模式突变的时刻.为准确检测脑电癫痫样放电时刻及其强度,提出了一种癫痫发作及强度检测的多分形去趋势波动分析方法(MF-DFA),并与基于样本熵的癫痫放电检测作进一步比较分析.采用头皮表面脑电与颅内脑电临床数据做测试实验,结果表明:MF-DFA能够精确捕捉到发作时刻,并能够定量刻画癫痫发作强度.     

基于汉语音位发音想象的脑机接口研究

该文提出了一个基于汉语音位发音想象的脑机接口系统框架,使得受试者使用脑机接口系统时能更加自然和流畅。三名受试者参与了本实验研究,实验过程中受试者被要求想象四个汉语元音和四个辅音音位的发音部位及语音发音,以及一个不作想象任务的控制条件,同时记录其脑电数据。在数据处理阶段,本文对采集到的头皮脑电数据进行了频域、时域、空域分析,以提取出音位发音想象效应最优化的特征向量用于提高每两个条件间的配对分类效果。实验结果表明,音位发音想象效应的最优脑电频段为2~10Hz,时段为刺激呈现后300~500ms,头皮空间分布主要集中在感觉运动皮层区域。音位发音想象任务和控制条件相比具有较高的分类正确率,最高可达83%,为基于音位发音想象的汉语脑机接口系统研究提供了理论基础。此外,刺激材料间的Jaccard距离和分类正确率的高度相关性表明,音位发音想象任务可被视为复杂的发音器官运动想象任务,并且可由人脑感觉运动皮层区域的脑电信号来解码预测。     

基于模糊熵的脑电睡眠分期特征提取与分类

提出了一种基于模糊熵(FuzzyEn)的脑电睡眠分期特征提取新方法.作为样本熵(SampEn)算法的改进,模糊熵以一指数函数模糊化相似性度量公式,使得模糊熵值能够随参数变化过渡平滑,并且在参数值很小的情况下其定义仍有意义,同时继承了样本熵的相对一致性和短数据集处理特性.以8例受试者睡眠脑电监测数据及专家人工分期结果作为样本,提取睡眠各分期脑电数据模糊熵特征值,进而用支持向量机(SVM)分类.基于模糊熵的方法平均正确率达87.1%,优于样本熵方法获得的分类结果(83.0%),两种特征提取方法在采用不同的SVM核函数情况下,其分类结果在95%的置信区间内均保持显著性差异.实验结果表明,该模糊熵方法能有效地表征脑电睡眠各分期的复杂度.     

在GIS支持下利用MODIS数据监测多种作物和果树种植面积

MODIS数据以其时间分辨率高、监测范围大、可免费接收、获取方便及时等优势,已经成为土地利用研究的重要信息源。以河北省38°N带为研究区,选取不同时相的MODIS数据,分别计算出NDVI,根据植被的生长过程中叶面积的变化规律,观察其NDVI的变化,建立分类规则,确定出主要植被的种植区域。在GIS软件的支持下,利用分类精度为91%的TM数据分类结果从提取区域的面积和形状两个方面对MODIS数据的分类结果进行像元尺度上的精度分析。     

基于mu节律能量的运动意识分类研究

基于脑电(EEG)的脑机接口(BCI)是在人脑和计算机或其它电子设备之间建立不依赖于常规大脑信息输出通路(外周神经和肌肉组织)的全新对外信息交流和控制技术。文中提出了基于mu节律能量为脑电特征的意识任务分类思想,对被测试者想象左右手运动的脑电mu节律能量(二阶矩)及其动态变化情况进行研究。实验结果表明,基于mu节律能量的想象左右手运动意识识别和分类的正确识别率可达85%。二阶矩计算简单,而且可在线计算,故可以认为,基于mu节律能量为脑电特征的意识任务分类在脑机接口的应用中有较高的实用价值。     

基于水平可视图多元联合模体熵的多维EEG情感脑电信号识别

目前,许多基于深度学习和神经网络的算法被应用于脑电(electroencephalogram, EEG)信号情感识别.然而,现有研究大多采用提取单维脑电信号特征的方法.随着多传感技术的更新,更具全面性和系统性的多维信号特征提取需求出现.本文尝试将复杂网络研究应用到多维情感脑电识别中,提出一种基于水平可视图多元联合模体熵的情感识别算法,该方法可以有效避免人工选取特征对实验结果的影响,保持原始序列的非线性动力学特征.首先利用水平可视图算法将多维情感脑电信号分别转换为多路可视图网络,提取模体熵特征识别情感脑电研究中的关键频带和关键通道.在此基础上,将水平可视图网络两两联合,提取多元水平联合模体熵向量,作为输入参数对情感脑电信号进行识别.由于情感脑电序列长度会对识别效果产生影响,我们将脑电信号切割成大小不一的窗口,对比不同窗口大小对分类准确率的影响.实验结果表明,当切割窗口大小为10 s时,多元水平联合模体熵对情感脑电信号的识别效果最佳,对积极脑电/消极脑电、积极脑电/中性脑电、消极脑电/中性脑电的分类准确率分别达到95.07%, 97.73%, 90.26%,优于其他二维连接参数.同时,三分...     

FILDIG: a program to filter brain electrical signals in the frequency domain

A software program to filter brain electrical signals in the frequency domain has been developed and is presently reported. Many other filters are commercially available; however, most of them are linked to data acquisition and/or analysis programs rendering them costly. Depending on the experimental field, the full programs are not always needed. To overcome the need to obtain narrow bands in EEG research and other biological signals in an easy, fast and cheap way, we developed a computer program (FILDIG) that renders an almost ideal in-phase filter in the frequency domain and can be used in all types of personal microcomputers (PC and Mac's) and with few resources. The system uses an interactive graphic display and, with a minimum interface, it is capable of filtering multiple channels and simultaneously obtaining electrical signals (EEG, EMG, EOG, etc.) without noise or specific frequency bands.     

具有在线自学习能力的脑电信号分类方法

脑电信号具有时变性、个体差异性且容易受身体状态、心情、体位等因素影响的特点,传统的BP网络分类器难以适应动态脑电特征的变化致使在线分类效果急剧下降;文章提出一种具有在线自学习能力的脑电信号分类方法;该方法将BP网络作为传统Ada-Boost集成学习框架下的弱分类器,形成BP_AdaBoost基本网络分类器;进而,引入遗忘因子改进AdaBoost算法,通过改变样本的初始权重增强其时间相关性,获得BP_AdaBoost分类器;并进一步借鉴半监督的思想增加基于K近邻规则的自评判反馈环节,提高获取新增样本确切标签的能力,适时增加训练样本信息;最后,以国际BCI竞赛数据集为基础,采用Hilbert-Huang变换提取脑电特征进行了仿真实验;结果表明:文章提出的分类方法对时间、个体均具有较好的自适应能力和稳健性,与传统BP神经网络相比分类正确率提高约23.42%。     

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。     

结合人脸图像和脑电的情绪识别技术

本文通过人脸图像和脑电两个输入信号对情绪识别技术展开研究. 采用对应不同情绪的电影片段对被实验者进行情绪刺激的方法采集输入信号. 通过表情识别出八种基本表情的分类, 通过脑电识别出情绪的三种强弱波动. 通过决策层面的信息融合, 进行情绪分类. 最终的识别准确率达到89.5%, 高于采用单模态进行识别的准确率, 分别为: 表情识别: 81.35%, 脑电识别: 71.53%.     

Are low cost Brain Computer Interface headsets ready for motor imagery applications?

Low cost electroencephalography (EEG) headset devices for brain data capturing are fast becoming a key instrument on Brain Computer Interface (BCI) applications. In spite of being a controller device initially developed for gaming, the research community has adopted them as a key element to gather EEG data. However, there have been little discussion about their performance when being compared with professional and research EEG headsets.This paper provides an assessment of one of these devices, the Emotiv EPOC, on a motor imagery problem. As a benchmark, the data and results presented for the Data Set V of the BCI Competition III have been used, which were recorded with a professional Biosemi Active 2 EEG headset. From the perspective of a final working application, it is shown that the performance of this headset is comparable to that found in professional devices when using the same number of sensors and sensor positions for a three status motor imagery cognitive process. This finding implies an increase on the number of EEG headsets the researchers and manufacturers of BCI systems applied to motor imagery problems can integrate and a reduction of their cost.As part of this paper the Emotiv EPOC recorded raw and pre-processed datasets are published to allow further improvements and comparisons.     

采用多路图注意力网络的情绪脑电信号识别方法

情绪是一种大脑产生的主观认知的概括。脑信号解码技术可以以一种较客观的方式来有效地研究人的情绪及其相关认知行为。本文提出了一种基于图注意力网络的脑电情绪识别方法(multi-path graph attention networks, MPGAT),该方法通过对脑电信号通道建图,利用卷积层提取脑电信号的时域特征以及各频带的特征,使用图注意力网络进一步捕捉情绪脑电信号的局部特征以及各脑区之间的内在功能关系,进而构建出更好的脑电信号表征。MPGAT在SEED和SEED-IV数据集的跨被试情绪识别平均准确率分别为86.03%、72.71%,在DREAMER数据集的效价(valence)和唤醒(arousal)维度的跨被试平均准确率分别为76.35%和75.46%,达到并部分超过了目前最先进脑电情绪识别方法的性能。本文所提出的脑电信号处理方法有望为情绪认知科学研究与情绪脑机接口系统提供新的技术手段。     

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.     

Improvements of Adaptive Filtering by Optimal Projection to filter different artifact types on long duration EEG recordings

Adaptive Filtering by Optimal Projection (AFOP) is an automatic method for reducing ocular and muscular artifacts on electro-encephalographic (EEG) recordings. This paper presents two additions to this method: an improvement of the stability of ocular artifact filtering and an adaptation of the method for filtering electrode artifacts. With these improvements, it is possible to reduce almost all the current types of artifacts, while preserving brain signals, particularly those characterising epilepsy. This generalised method consists of dividing the signal into several time-frequency windows, and in applying different spatial filters to each. Two steps are required to define one of these spatial filters: the first step consists of defining artifact spatial projection using the Common Spatial Pattern (CSP) method and the second consists of defining EEG spatial projection via regression. For this second step, a progressive orthogonalisation process is proposed to improve stability. This method has been tested on long-duration EEG recordings of epileptic patients. A neurologist quantified the ratio of removed artifacts and the ratio of preserved EEG. Among the 330 artifacted pages used for evaluation, readability was judged better for 78% of pages, equal for 20% of pages, and worse for 2%. Artifact amplitudes were reduced by 80% on average. At the same time, brain sources were preserved in amplitude from 70% to 95% depending on the type of waves (alpha, theta, delta, spikes, etc.). A blind comparison with manual Independent Component Analysis (ICA) was also realised. The results show that this method is competitive and useful for routine clinical practice.     

一种新型脑电信号的采集方法和应用

基于脑电信号控制假手的研究,分析了脑电信号和假手运动之间的联系,得出脑电控制假手的可行性结论。为获得人体脑电信息,提出了一种完整的从头皮电极到ADC的脑电信号调理电路。此放大电路输入阻抗高(1011Ω)、噪声低、共模抑制比高(KCMRR≥90 dB)、体积小,便于携带,满足脑电假手的使用要求。     

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.