基于免疫优化的脑电自适应集成分类方法研究

针对脑机接口研究(BCI)中对脑电波信号的分类识别问题,对脑电信号中P300脑电信号的预处理、特征提取及特征分类等方面算法进行了研究,主要侧重于对P300脑电信号分类算法的研究。提出了一种自适应的集成支持向量机(SVM)分类方法,利用免疫算法的多样性以及自我调节能力,对基于Bagging的集成SVM分类学习器进行了优化,提高了对P300脑电信号识别的准确度以及针对不同个体的自适应性。研究结果表明:将自适应集成分类算法运用在BCI Competition III Dataset II的P300脑电数据上,可以识别出被试者的脑电意图,并且对P300脑电信号的分类可以达到较高的分类准确率,实验结果稳定在98%。     

脑机接口中基于WPD和CSP的特征提取

针对脑机接口(brain computer interface,BCI)中2类运动想象任务的特征提取问题,提出了一种小波包分解(wavelet packet decomposition,WPD)与共同空间模式(common spatial pattern,CSP)相结合的脑电信号特征提取方法.该方法首先选择7个重要导联的脑电(electroencephalograph,EEG)信号,用‘haar’小波基进行三阶WPD分解;然后对每个导联分解后的其中5个子带进行重构,获取相关频域信息;最后对重构后信号利用CSP特征提取,获得六维特征向量.CSP与WPD相结合能够充分利用WPD的时频特性,有效避免CSP要求输入导联数过多、缺乏频域信息等缺陷.对2008年国际BCI竞赛数据和本实验室实验数据,采用该方法进行特征提取,通过概率神经网络(probabilistic neural network,PNN)分类.2种数据源分类正确率分别为92％和80％,相对于单纯的CSP特征提取,正确率分别提高5％和20％.实验结果表明:WPD与CSP相结合的特征提取算法能提取明显的特征,进而提高BCI的识别正确率.     

运动意识任务的模式识别方法研究

针对脑机接口研究中运动想象脑电信号的模式识别问题,提出了一种基于离散小波变换和AR双谱的特征提取方法.该方法首先利用Daubechies类小波函数对二路脑电信号进行3层分解,抽取小波系数的均值、能量均值、均方差三个特征;然后,采用5阶AR模型进行双谱估计,抽取双谱切片特征;最后,将这两类特征进行组合后使用马氏距离线性判别进行分类.利用BCI2003竞赛的标准数据,该方法使得EEG的识别正确率达到92.86%,与竞赛的最好结果(89.29%)相比提高了3.57%,为BCI研究中脑电信号的模式识别提供了有效的手段.     

单通道视觉诱发脑电的单次提取方法研究

针对单通道脑电信号单次提取识别率较低的问题,提出了一种正交B样条小波变换与Fisher线性判别相结合的方法,提高了视觉诱发电位P300的单次提取识别率。首先采用相干平均和小波变换的方法对脑电信号进行预处理,然后根据脑电信号的时-频特性及视觉诱发电位的锁时关系,提取出表征P300的8维小波系数模板,再次利用模板对单次样本进行特征提取,最后根据Fisher线性判别对测试样本进行分类识别,判断单次输入是否为视觉诱发脑电信号。实验结果表明,该方法对单次样本P300的平均识别率为95.10%。     

基于LMD和模糊熵融合CSP的脑电信号特征提取方法

模糊熵算法在提取脑电信号特征时存在信号序列长度、步长等诸多参数不易调整的问题。提出一种基于局部均值分解、模糊熵以及共空间模式算法的特征提取方法:L-FECSP算法。首先,利用LMD算法将经预处理的运动想象脑电信号分解为多个PF分量,根据左右手运动想象脑电信号所处的频段选出包含α节律和β节律的PF分量。采用模糊熵算法提取已选择的PF分量的特征,使用共空间模式算法对得到的特征进行投影映射。最后,对比投影前后的特征向量,并选取其中最具区分度的特征输入到支持向量机中用于分类。采用BCI竞赛数据集进行实验,平均分类准确率达到95.30%,实验结果表明L-FECSP特征提取方法能够有效地区分左右手运动想象脑电信号。     

基于ITD和PLV的四类运动想象脑电分类方法研究

针对四类运动想象任务的特征提取问题,提出一种基于固有时间尺度分解(ITD)和相位同步分析相结合的脑电(EEG)信号特征提取方法。采用第3届和第4届BCI竞赛中的4类运动想象数据集,首先选择5个导联的运动想象脑电信号,根据相位同步性计算导联之间的相锁值(PLV),将相锁值作为一类特征;之后利用ITD对5个导联的运动想象脑电信号进行分解,提取第一层固有旋转分量的能量特征,与PLV特征相结合获得十五维特征向量;最后通过支持向量机(SVM)进行分类识别。对12名受试者的平均识别率达到91. 64%,平均Kappa系数达到0. 887,说明该方法能够有效的提取脑电信号特征,进而提高4类运动想象任务的分类准确率。     

基于多特征卷积神经网路的运动想象脑电信号分析及意图识别

为了准确提取个体运动想象脑电信号的最优时段和频段特征以及有效提高其分类准确率,结合卷积神经网络和集成分类方法提出一种多特征卷积神经网络(MFCNN)算法,对运动想象脑电信号进行分类识别。首先对脑电信号进行预处理,然后将原始信号、能量特征、功率谱特征以及融合特征分别输入到卷积神经网络中得到其训练模型,最后通过加权投票的集成分类方法得到最终的分类结果。并利用2008年BCI竞赛Datasets 2b数据集和实测数据对所提出的方法进行实验分析。结果表明,所提的MFCNN方法可有效提高运动想象识别率,实验中所有受试者的平均分类正确率和平均Kappa值分别为78.6%和0.57,为运动想象类脑机接口的应用提供了新的思路和方法。     

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。     

基于小波包分解的脑电信号特征提取

在脑机接口研究中,针对脑电信号的特征抽取,提出一种基于小波包分解的方法,利用Fisher距离准则,选择具有较大可分离性的特定子带小波包系数和能量作为有效特征,构成特征矢量,并采用BCI2003竞赛数据,通过对该特征矢量的可分性和识别精度2个指标的评估,表明了所提出方法的有效性。     

基于小波和神经网络的视觉诱发电位识别方法

在基于瞬态视觉诱发电位的脑机接口研究中，通过视觉诱发电位信号的提取与识别产生脑机接口控制信号。采用累加平均和小波滤波提取强噪声背景下微弱的视觉诱发电位。在小波变换域求取特征向量，将特征向量输入感知器进行视觉诱发电位模糊识别，产生脑机接口控制信号。实验表明，小波变换域特征向量提取方法能有效地实现信号的去噪、降维和特征提取，基于神经网络的模糊识别算法能比较准确地识别视觉诱发电位，有利于提高脑机接口的通讯率。     

基于体感电刺激诱发P300的脑机接口

基于视听刺激诱发P300信号是目前脑机接口普遍使用的范式,然而众多病患存在视听功能障碍,无法由视听刺激获得稳定准确的P300信号,传统的P300脑机接口存在诸多局限性,因此,设计了一种以空间体感电刺激作为新范式的P300-脑机接口系统。实验采集了15名健康受试者注意不同手指电刺激时的脑电信号,仅对单一导联的数据进行分析处理,得到分类准确率和信息传输速率。结果显示,所有受试者可以成功诱发出P300特征信号,潜伏期在300ms附近;所有受试者的平均分类正确率达到77.96%±5.04%,高于随机水平(25%);信息传输速率最高可达15.97 bit/min。实验结果表明,采用基于空间位置的体感电刺激诱发P300的脑机接口系统,可以获得稳定的P300特征信号,是一种新的诱发模式;此外,仅采用一个导联的数据,即可达到较好的分类正确率和信息传输速率,方便用户使用。     

基于自感知压电换能器的键合质量检测方法研究

将换能器耦合电信号作为识别键合质量的信息载体,研究了耦合信号的特征提取、模式识别方法及实际应用。提出了一种换能器耦合信号细化特征提取方法,该方法以三个关键键合过程即去除氧化膜、键合点塑性变形、应力扩散为依据,将瞬态耦合信号分段进行特征提取。采用主分量分析技术对提取的特征进行选择,通过BP神经网络对键合缺陷特征进行分析,有效地识别了无引线键合缺陷,预测了键合点剪切力。     

基于小波包分解的意识脑电特征提取

针对2种不同意识任务(想象左手运动和想象右手运动)的脑-机接口(brain-computer interface,BCI)设计,提出了基于小波包分解的特征提取方法。首先深入研究了小波包变换,结合事件相关去同步化(event-related desynchronization,ERD)/事件相关同步化(event-related synchronization,ERS)现象,提出以小波包分解系数来考虑特征,然后对C3、C4导联脑电信号进行小波包分解系数方差和相对能量2种特征的提取,最后采用最简线性分类器进行分类。结果表明,2种特征对应的最大分类正确率均达到了85%,对应时间分别为4.34 s和4.39 s。因此,在保证分类正确率的前提下,所提方法更加简单和有效,为大脑意识任务分类提供了新思路。     

基于小波变换和BP神经网络的视觉诱发电位识别

结合小波变换和误差逆传播(Error Back Propagation,BP)神经网络对视觉诱发脑电信号(visual evoked potential,VEP)进行分类而产生脑机接口控制信号.利用一维离散小波变换提取强噪声背景下的低频微弱脑电信号,获取特征向量输入BP神经网络进行事件相关电位模式识别.实验表明,小渡变换特征向量提取方法能有效地实现信号的去噪、降维和特征提取,BP神经网络能比较准确地从VEP中识别出事件相关电位,进行10次测试的平均识别正确率为99.375%,有利于产生脑机接口控制信号.     

基于阵列式压电振动频谱衰减的结冰区域定位研究

为克服传统结冰传感器无法实现翼面大范围多区域结冰探测问题,提出了一种基于灰度重心法的多结冰区域定位方法。该方法通过采集结冰前后压电阵列的振动谱,提取频谱幅值衰减率作为定位特征值,并结合基于多点结冰概率检测的重构算法和灰度重心法计算得到多个结冰区域的中心坐标,实现对平面或曲面上多个结冰区域的定位。当扫频频率范围0.5～5 kHz时,在70 mm直径的结冰条件下,铝板单结冰区域定位平均误差为27.4 mm,两结冰区域定位平均误差为29.04 mm;翼面结冰横向定位平均误差为22.6 mm。为了进一步提高定位精度,提出了一种基于小波包分解的敏感频带选择的特征提取方法。优化后的实验结果表明,铝板单结冰区域定位精度提高了34.59%,定位误差波动程度降低了45.67%,翼面结冰的横向定位精度提高了54.87%,横向定位误差波动程度降低了46.63%,实现了较高精度的多结冰区域定位探测,为面式结冰探测提供了一种新思路。     

应用小波包和包络分析的滚动轴承故障诊断

提出了一种基于小波包分析、频带能量分析和包络分析相结合的滚动轴承故障诊断方法.首先利用小波包将滚动轴承振动信号分解到不同的节点上.然后求出各频率段的能量,根据频带能量的变化情况,找出滚动轴承的故障所在的频带.最后对故障频带的重构信号做包络谱,将谱峰处的频率同滚动轴承的故障特征频率进行对比分析,诊断出滚动轴承的故障.通过对试验中采集到的滚动轴承振动信号进行分析,证明了该方法在滚动轴承故障诊断中的有效性.