左右手运动想象脑电信号的特征分析1

针对运动想象的两种思维任务的脑电信号,本文提出了一种基于能量的特征提取方法。该方法利用想象运动中,脑电信号Mu/Beta节律事件相关同步化/去同步化特性,采用BCI2003竞赛数据,对C3/C4通道脑电信号进行时域分析,分析得到特征较为明显的脑电信号时间段。     

基于脑功能网络和样本熵的脑电信号特征提取

针对脑-机接口(BCI)研究中采用单一特征对运动想象脑电信号(EEG)识别率不高的问题,该文提出一种结合脑功能网络和样本熵的特征提取方法.根据事件相关同步/去同步(ERS/ERD)现象以及皮层与肢体运动想象间的对侧映射机制,选取小波包变换消噪重构后的μ节律脑电信号,用左侧27个通道、右侧27个通道分别对左半球脑区和右半球脑区构建脑功能网络,计算网络的平均节点度和平均聚集系数作为运动想象的脑功能网络特征,并结合C3,C4通道μ节律的样本熵构筑分布性和指向性相结合的特征向量.选用支持向量机(SVM)对左右手运动想象脑电信号进行分类,结果表明基于脑功能网络和样本熵的特征提取方法能够实现更优的分类效果,分类准确率最高可达90.27％.     

基于脑功能网络和样本熵的脑电信号特征提取

针对脑-机接口(BCI)研究中采用单一特征对运动想象脑电信号(EEG)识别率不高的问题,该文提出一种结合脑功能网络和样本熵的特征提取方法。根据事件相关同步/去同步(ERS/ERD)现象以及皮层与肢体运动想象间的对侧映射机制,选取小波包变换消噪重构后的\begin{document}$ \mu$\end{document}节律脑电信号,用左侧27个通道、右侧27个通道分别对左半球脑区和右半球脑区构建脑功能网络,计算网络的平均节点度和平均聚集系数作为运动想象的脑功能网络特征,并结合C3, C4通道节律的样本熵构筑分布性和指向性相结合的特征向量。选用支持向量机(SVM)对左右手运动想象脑电信号进行分类,结果表明基于脑功能网络和样本熵的特征提取方法能够实现更优的分类效果,分类准确率最高可达90.27%。     

一种基于WRCE-CSP的运动想象电位识别方法

针对脑一机接口系统中运动想象脑电信号（Electroencephalography,EEG）的模式识别问题,提出了加权节律成分提取（WeightedRhythmicComponentExtraction,WRCE）与共空间模式（CommonSpacePattern,CSP）相结合的特征提取方法,并使用Fisher线性判别分析进行分类。采用2003年的BCI竞赛数据Datasetm对该方法进行评估,测试数据的分类正确率达到86．13％,比使用传统CSP方法进行特征提取时的分类正确率提高了5．71％,表明该方法可有效地应用于运动想象EEG的模式识别中。     

基于小波包融合微分熵的运动想象脑电信号处理

针对脑电信号特征提取导致有效信息丢失的问题,提出了一种基于小波包融合微分熵提取脑电信号特征的方法,可以充分提取脑电信号的有效信息。首先对脑电信号进行小波包分解,选取与运动想象相关的频率进行重构,得到脑电信号的时频信息;考虑到脑电信号的非线性特征,提取脑电信号微分熵特征。实验在脑电大赛数据集上进行验证,在不同分类器上分类准确率分别达到了88%和91%,结果表明小波包融合微分熵的脑电信号处理方法准确率明显提高。     

CSSD＋AAR模型在脑电信号处理中的应用

针对BCI技术中的脑电信号处理方法和事件相关去同步化的特点,提出了一种结合时、频、空域的特征提取方法。结合CSSD和AAR模型来提取脑电特征,并对基于AAR模型系数的特征提取方法进行了探讨,最终选择卡尔曼平滑算法提取模型系数,然后将提取的特征用简单的线性分类器进行分类。实验结果表明测试集的分类正确率达到了94．08％,而且这种特征提取方法有很好的时间分辨率,适合于在线分类。这是一种正确率高,时间分辨率高,适合在线分类的好方法。     

基于C-LSTM模型的端到端多粒度运动想象脑电信号分析方法

脑电信号（Electroencephalography, EEG）是人的大脑在不同状态下产生的生物电信号。运动想象脑电信号是其中较为典型的一类信号，广泛应用于脑机接口技术中。对运动想象脑电信号分析的研究由来已久，目前主要采用公共空间模式等特征提取方法，对于如何提取更加有效的脑电信号特征以及如何对时序信息进行建模仍然是需要解决的问题。因此，本文设计了基于C-LSTM（Convolutional-Long Short Term Memory）模型的端到端多粒度脑电分析方法。并利用空间信息以及小波脑网络方法进行了改进，在BCI2008数据集上，相较传统方法提高了近10%，到达了93.6%的识别率。      

基于信号投影能量特征的脑电意识动态分类

针对脑电意识任务动态分类问题,本文提出了一种基于投影能量的特征提取方法来提取反映不同思维状态的脑电特征,并结合信息累积后验贝叶斯方法进行分类以提高脑-机接口系统的分类正确率。该方法通过使两类信号在投影基上的平均投影能量比达到极值,从而达到提高脑电信号分类准确度的作用。实验结果表明两个运动想象数据集上的最大正确率都达到90%左右,最大分类准确率、kappa系数和最大互信息等评价指标的比较也表明该方法能够有效提高BCI系统的性能,具有较好的实用性。     

基于CNN-LSTM的运动想象脑电四分类研究

脑机接口通过对运动想象脑电信号的分类识别，帮助运动神经严重受损的患者实现与外部设备的直接交互。为了提高多分类运动想象脑电信号的分类准确率，提出一种基于卷积神经网络（Convolutional Neural Network,CNN）和长短时记忆（Long Short-Term Memory,LSTM）网络的脑电信号识别方法。首先，对原始脑电信号进行预处理，并利用快速傅里叶变换提取出相关频带的能量值；其次，对处理后的脑电信号采用一维卷积神经网络提取空间特征，再利用LSTM网络在序列上的建模能力，将空间特征组成特征序列输入到LSTM网络，提取时间特征；最后，将LSTM网络输出的特征输入到Softmax分类器，把结果分为左手、右手、舌头和脚四种类型。文中使用BCI Competition Ⅳ竞赛的数据集2a对所提的方法进行验证，实验结果表明，所提方法能够有效地提高多分类精度，分类结果的平均准确率达到90.38%。     

基于松散型WNN的运动想象脑电信号解码研究

基于运动想象的脑机接口可以控制外部设备,在医疗康复领域中有着重要的临床意义。为了提高运动想象脑电信号的分类准确率,提出一种松散型小波神经网络,即双树复小波变换与神经网络分开进行计算再组合。利用DTCWT对预处理后的脑电信号进行分解,计算复小波系数的多个特征值并构建特征向量,将组合后的特征向量送入神经网络中进行分类识别。实验结果表明,该算法在BCI Competition IV的数据集2a上的平均准确率为76.03%。通过与不同分类器和现有方法的比较,验证了松散型小波神经网络的有效性。     

基于PCANet和SVM的谎言测试研究

主成分分析网络（Principal Component Analysis Network,PCANet）是基于深度学习理论的一种非监督式的特征提取方法,它克服了手工提取特征的缺点,目前其有效性仅仅在图像处理领域中得到了验证。本文针对当前谎言测试方法中脑电信号特征提取困难的缺点,首次将PCANet方法应用到一维信号的特征提取领域,并对测谎实验的原始脑电信号提取特征,然后使用支持向量机（Support Vector Machine,SVM）将说谎者和诚实者的两类信号进行分类识别,将实验结果和其它分类器及未使用特征提取的分类效果进行了比较。实验结果显示相对未抽取任何特征的方法,提出的方法PCANet－SVM可以获得更高的训练和测试准确率,表明了PCANet方法对于脑电信号特征提取的有效性,也为基于脑电信号的测谎提供了一种新的途径。     

在线脑机接口中脑电信号的特征提取与分类方法

在脑机接口研究中,针对运动想象脑电信号的特征抽取,提出了一种基于离散小波变换和AR模型的方法.利用Daubechies类小波函数对脑电信号进行3层分解,抽取小波变换系数的统计特征;利用Burg算法提取脑电信号6阶AR模型系数.将这两类特征进行组合后使用神经网络、支持向量机、马氏距离线性判别进行分类并比较分析.采用BCI...     

基于相位同步的脑电信号分类算法研究

脑电同步是脑功能区域整合或绑定的表现.文中将相位同步应用于运动意识想象分类,采用希尔伯变换信号处理方法计算脑电信号瞬时相位值.在合适的时间窗下,选取C3、C4电极与中央区电极进行配对并进行锁相值计算,采用支持向量机进行运动意识想象分类.实验结果表明,采用相位同步方法分类准确率达92.5%.     

基于脑电和眼电的运动想象多尺度识别方法研究

基于脑电信号对同一肢体不同动作想象模式进行识别的正确率低,已成为基于脑机接口对肢体瘫痪患者进行运动想象训练监控的方法,获得临床应用前必须解决的瓶颈问题.针对该问题,本文提出一种利用运动想象时眼睛的活动状态与所想象肢体动作之间存在的耦合关系,进行运动想象多尺度识别的新方法.该方法首先在大尺度上,利用脑电信号对运动想象是否发生进行识别,再结合同一运动想象过程眼电信号协同变化模式的识别结果,基于决策融合在更精细的尺度上,对同一肢体不同动作的想象模式进行识别.实验结果表明,仅基于脑电进行右臂三种动作想象模式识别的平均正确率为63.0%,而应用所提出方法可以将其提高到91.4%.所提出方法可望有临床应用前景.     

LMD算法与运动想象脑电信号的时频分析

脑电信号是极其复杂的非平稳信号,为了精确处理运动想象脑电信号,采用LMD(局域均值分解)方法对其进行时频分析。首先给出仿真信号的LMD分解及时频分布,而后对左右手运动想象脑电信号进行LMD时频分析。研究结果表明,LMD具有较强的时频刻画能力,能够精确描述脑电信号的非线性时变特性,是对脑电信号进行时频分析的有效方法。     

基于相关性和稀疏表示的运动想象脑电通道选择方法

在基于运动想象(MI)的脑机接口(BCI)中,通常采用较多通道的脑电信号(EEG)来提高分类精度,但其中会有包含与MI任务无关或冗余信息的通道,从而影响BCI的性能提升。该文针对运动想象脑电分类中的通道选择问题,提出一种采用相关性和稀疏表示对通道进行选择的方法(CSR-CS)。首先计算训练样本每个通道的皮尔逊相关系数来选择显著通道,然后提取显著通道所在区域的滤波器组共空间模式特征拼接成字典,利用由字典所得到的非零稀疏系数的个数表征每个区域的分类能力,选出显著区域所包含的显著通道作为最优通道,最后采用共空间模式和支持向量机分别进行特征提取与分类。在对BCI第3次竞赛数据集IVa和BCI第4次竞赛数据集I两个二分类MI任务的分类实验中,平均分类精度达到了88.61%和83.9%,表明所提通道选择方法的有效性和鲁棒性。     

基于有记忆递归神经网络的脑电特征情感识别研究

为了提高脑电信号多分类的情感识别率,文中选用上海交通大学提供的SEED脑电信号数据集,对其进行分频带特征提取。将脑电数据的微分熵特征、微分不对称性特征和有理不对称性特征通过线性动力系统平滑特征后,与功率谱密度特征进行分类效果比较,再利用有记忆递归神经网络的方法进行分类,发现提取的微分熵特征经过分类的效果好。在对3种情感进行分类的过程中,采用长短时记忆神经网络分类相比于其他机器学习方法识别率有所提高,情感识别的平均准确率可达到95.045 9%。     

基于深度时空特征融合的多通道运动想象EEG解码方法

脑电(EEG)是一种在临床上广泛应用的脑信息记录形式,其反映了脑活动中神经细胞放电产生的电场变化情况。脑电广泛应用于脑-机接口(BCI)系统。然而,研究表明脑电信息空间分辨率较低,这种缺陷可以综合分析多通道电极的脑电数据来弥补。为了从多通道数据中高效地获取到与运动想象任务相关的辨识特征,该文提出一种针对多通道脑电信息的卷积神经网络(MC-CNN)解码方法,先对预先选取好的多通道数据预处理后送入2维卷积神经网络(CNN)进行时间-空间特征提取,然后利用自动编码(AE)器把这些特征映射为具有辨识度的特征子空间,最后指导识别网络进行分类识别。实验结果表明,该文所提多通道空间特征提取和构建方法在运动想象脑电任务识别性能和效率上都具有较大优势。     

基于滤波重构和卷积神经网络的心电信号分类

计算机自动分类心电信号能够减轻医生工作压力并大幅提高诊断速度和准确率。文中针对传统算法中特征提取过程复杂及抗干扰能力弱的问题,提出了一种结合滤波重构和卷积神经网络的心电信号分类算法。该算法首先通过传统信号滤波和心拍序列重构去除原始心电信号中的噪声干扰,然后构建卷积神经网络来自动学习心电信号特征并完成分类。在PhysioNet/CinC Challenge 2017数据集上的分类实验结果表明,该方法的平均F₁(查准率、召回率的调和平均)达到了0.8471,优于人工特征提取和常规卷积网络方法,且具有很强的抗干扰能力。     

基于深度时空特征融合的多通道运动想象EEG解码方法

脑电(EEG)是一种在临床上广泛应用的脑信息记录形式,其反映了脑活动中神经细胞放电产生的电场变化情况.脑电广泛应用于脑-机接口(BCI)系统.然而,研究表明脑电信息空间分辨率较低,这种缺陷可以综合分析多通道电极的脑电数据来弥补.为了从多通道数据中高效地获取到与运动想象任务相关的辨识特征,该文提出一种针对多通道脑电信息的卷积神经网络(MC-CNN)解码方法,先对预先选取好的多通道数据预处理后送入2维卷积神经网络(CNN)进行时间-空间特征提取,然后利用自动编码(AE)器把这些特征映射为具有辨识度的特征子空间,最后指导识别网络进行分类识别.实验结果表明,该文所提多通道空间特征提取和构建方法在运动想象脑电任务识别性能和效率上都具有较大优势.