运动想象脑电的块选择共空间模式特征提取

共空间模式(CSP)作为一种空间滤波方法已在脑电信号(EEG)的特征提取上得到了广泛应用,而对脑电信号的通道和频带进行合理选择可以有效改善共空间模式特征在运动想象脑机接口(BCI)中的分类性能.针对已有选择方法中未充分考虑通道间差异性的问题,本文提出一种对通道和频带同时进行选择的块选择共空间模式(BS–CSP)特征提取...     

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。     

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。     

五种SVM参数寻优识别运动想象脑电比较研究

支持向量机(SVM)在脑电(EEG)分类中效果较好,其参数寻优方法直接关系着分类的准确率和所需时间.为了探索参数寻优对分类效果的影响,本文采用了固定参数寻优、直接寻优、网格寻优、遗传算法(GA)寻优和粒子群优化算法(PSO)寻优五种参数寻优方法,以BCI Competition Ⅳ data 2b数据集进行实验测试,对带通滤波后的数据进行瞬时能量特征的提取,利用五种寻优的参数分类器,得到了9名被试者4～7s时间内数据的分类准确率和分类所需时间.在用网格寻优和粒子群寻优的分类下,被试S4和被试S8的准确率分别高达96.875％和88.125％,用时最短为3.059 s.直接寻优和固定参数方法的准确率虽低,但分类用时仅为0.002 s和1.305 s,实时性上,更加适合于应用到在线系统中.     

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.     

基于多类运动想象任务的EEG信号分类研究

针对多类运动想象脑电信号个体差异性强和分类正确率比较低的问题,提出了一种时-空-频域相结合的脑电信号分析方法:首先利用小波包对EEG原始信号进行分解,根据EEG信号的频域分布提取出运动想象脑电节律,通过“一对多”共空间模式(CSP)算法对不同运动想象任务的脑电节律进行空间滤波提取特征;然后将特征向量输入到“一对多”模式下的支持向量机(SVM)中,并利用判断决策函数值的方法对SVM的输出结果进行融合;最后通过引入时间窗对脑电信号进行时域滤波,消除运动想象开始和结束时脑电的波动,进一步提高信号信噪比和算法的分类效果;实验结果显示:在时间窗为2 s时,平均最大Kappa系数达到了0.72,比脑机接口竞赛第一名提高了0.15,验证了该算法能够有效减小脑电信号个体差异性影响,提高多类识别正确率。     

运动想象脑电信号特征的提取与分类

为了能更好地对左右手运动脑电信号进行检测,用VC设计了脑电处理的上位机系统,利用小波变换和SVM的方法对脑电信号进行研究。这种方法主要是通过小波分解,针对C3电极处脑电信号,将脑电信号中各成分分别突出到不同尺度。提取不同尺度上的脑电信号的两种特征,即变化系数和波动指数。然后再将这两种特征组成一个向量送到支持向量机中进行训练和检测。共选取了四种采样频率,准确率最高达到98．32％。     

基于ECoG的运动想象脑-机接口分类方法

脑—机接口BCI(Brain-Computer Interface)技术是近年来国际上的研究热点之一,它通常利用脑电EEG(electroencephalo-gram)来实现无动作的人机交互,运动想象是其中一种重要的BCI实验范式。有关研究表明,脑皮层电位ECoG(electrocorticogram)具有更好的信噪比与频带特性。研究基于ECoG的运动想象BCI系统,针对ECoG信号的特点,改进了信号处理方法,提取数据的公共空间模式CSP(Common Spatial Pattern)特征,并利用支持向量机SVM(Support Vector Machines)进行分类器设计,提高了运动意向的识别正确率。用相应方法处理2005年脑-机接口竞赛中的一组实验数据,正确率达到92%,相比于当时参赛时所用的方法提高了6%。实验还发现,支持向量机在克服"维数灾难"和"过拟合"方面具有更好的鲁棒性。     

融合运动想象脑电与眼电信号的机械臂控制系统开发

脑机接口(brain computer interface, BCI)旨在通过脑电信号与外部设备通信,以实现对外部设备的控制。针对目前脑机接口系统中混合多种复杂生理电信号,并且输出控制指令较少的问题,本文提出融合运动想象(motor imagery, MI)脑电与眼电信号方法扩充控制指令的轻量级机械臂控制系统。该系统分阶段融合脑电和眼电信号两种生物信号,使用双次眼电作为任务开关,运动想象脑电信号控制机械臂运动,单次眼电控制阶段切换,实现了二分类运动想象生成多种控制指令,完成了对机械臂的连续控制。其中运动想象脑电信号使用提升小波变换(lifting wavelet transform, LWT)和共空间模式(common spatial pattern, CSP)结合的方法提取特征,并采用支持向量机(support vector machines, SVM)进行分类;眼电信号通过分析无意识眼电和有意识眼电的峰值来设置阈值进行区分。为了验证系统的可行性,设计了一项脑控机械臂自主服药实验,通过在线实验测试,被试通过使用脑电信号和眼电信号实现了机械臂控制,并完成了服药流程,有利于进一步推广脑机接口技术的实际应用。     

基于多时窗共空间模式的HMM运动想象脑电识别

运动想象脑电具有识别效果不佳及复杂时序信号建模困难的问题;提出一种基于多时窗共空间模式的隐马尔可夫模型运动想象脑电识别方法,首先将运动想象脑电划分为多个短时窗信号,然后使用共空间模式提取特征序列,以滤除脑电通道间的冗余信息,最后采用前向-后相算法与Viterbi算法求解隐马尔可夫模型并完成分类识别;将本文方法在公开运动想象脑电数据集上进行实验,得到77.17%的分类正确率,相较隐马尔可夫模型算法提升了5.74%,验证了所提方法的有效性。     

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。     

基于共空间模式与决策树支持向量机的运动想象脑电信号分类

针对脑电信号(Electroencephalogram, EEG)采集易受干扰导致EEG分类准确率低的问题,提出一种基于共空间模式(Common Spatial Pattern, CSP)与决策树支持向量机法(Decision Tree Support Vector Machine, DTSVM)相融合的运动想象脑电信号处理方法。首先利用CSP算法对运动想象的EEG特征值进行特征提取,其次运用线性判别分析法(Linear Discriminant Analysis, LDA)、自适应增强分类法(Adaptive Boosting, Adaboost)和决策树支持向量机法分别对特征进行分类,最后通过实验对比发现,利用决策树支持向量机进行分类的分类效果最佳,分类准确率最高可达到92.52%。     

四类运动想象任务的脑电特征分析及分类

对多通道的四类运动想象脑电进行了研究。提出了采用表面拉普拉斯对多通道脑电进行预处理,消除各导联之间的相关性,提高信号的信噪比。实验证明表面拉普拉斯对分类正确率的提高有极大的帮助。然后使用OVR-CSP（One Versus the Rest Common Spatial Patterns）的方法,对四类运动想象任务的脑电信号进行特征提取。最后,应用设计的BP神经网络对提取的特征数据进行了分类,取得了较高的分类正确率。对基于不同频带脑电特征的分类情况进行了分析比较,得出了一些有参考价值的结论。     

四类运动想象任务的脑电特征分析及分类

对多通道的四类运动想象脑电进行了研究.提出了采用表面拉普拉斯对多通道脑电进行预处理,消除各导联之间的相关性,提高信号的信噪比.实验证明表面拉普拉斯对分类正确率的提高有极大的帮助.然后使用OVR-CSP(One Versus the Rest Common Spatial Patterns)的方法,对四类运动想象任务的脑电信号进行特征提取.最后,应用设计的BP神经网络对提取的特征数据进行了分类,取得了较高的分类正确率.对基于不同频带脑电特征的分类情况进行了分析比较,得出了一些有参考价值的结论.     

最优区域共空间模式的运动想象脑电信号分类方法

共空间模式(Common Spatial Pattern,CSP)是脑机接口(Brain-Computer Interface,BCI)中一种有效的特征提取方法,然而传统CSP算法并未考虑在提取前剔除可能会影响其性能的不相关的嘈杂通道信号。所以针对不同对象的通道选择问题,提出了一种最优区域共空间模式(ORCSP)特征提取方法。首先通过欧式距离得到每个通道的附近区域,再根据方差比选择可分性最高的区域,然后采用5折交叉验证对区域内通道数目进行寻优,进而得到区分度最高的区域特征,最后使用支持向量机(SVM)进行分类。所提方法在BCI竞赛数据上进行了实验测试,并与同类型的正则化CSP和局部区域CSP算法进行了对比,在BCI Competition Ⅲ Dataset Ⅳ a数据集上达到了89.78%的平均准确率。实验结果验证了所提出方法的有效性。     

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.     

基于支持向量机和PCA的脑电α波运动想象分类研究

针对脑电信号(EEG)运动想象分类过程中弱相关特征量影响分类准确度的问题,提出一种筛选方法,该方法是基于α波和主成分分析(PCA)算法的。基于脑机接口(BCI)系统,通过听觉诱发刺激产生向左和向右两种运动想象任务对应的脑电信号,并对其做小波包分解处理,然后进行脑电α频段信号的重构,从而提取出α波形并对其进行统计特征提取。再结合PCA技术和支持向量机(SVM)方法,实现弱相关特征的剔除和特征分类。根据筛选后的数据进行分类,所得结果准确率更高,信号分类的准确度由90.1%提高至94.0%。     

基于左右手运动想象的在线算法设计与应用

本文设计了基于左、右手运动想象的脑电信号预处理、共同空域模式特征提取、SVM分类在线算法,开发了无线发射、接收开关硬件模块,实现了在线脑电开关系统。受试者可以用脑电波来遥控电灯的关开,这为重症瘫痪病人拓展其与自然的直接交流开辟了新的通道。5位健康的受试者参与了训练实验和在线实验,实验结果表明：经过特定训练,受试者均可有效控制该脑电开关系统,其平均正确率达90%,单个指令输出时间平均为4秒。     

基于模糊化符号复杂度的脑电运动想象识别算法

提出一种基于模糊化符号复杂度的运动想象脑电信号特征提取与识别方法。在脑电信号的复杂度细粒化多符号度量中引入模糊算法,用sigmoid函数模糊化处理,逻辑判断得到模糊化符号复杂度。取细粒化指数n为2,提取模糊化符号复杂度作为特征值,最后利用支持向量机对脑电运动想象任务进行分类识别。实验结果表明,以模糊化符号复杂度为特征的分类方法,对左右手运动想象脑电信号的分类识别率最高达88.67%,优于二值化Lempel-Ziv复杂度算法。     

多特征融合的运动想象脑电特征提取方法

针对单一特征识别率低、自适应性差等问题,提出一种基于希尔伯特-黄变换（HHT）和共同空间模式（CSP）的特征提取方法HCHT。首先,对原始脑电信号（EEG）进行经验模态分解（EMD）得到固有模态函数（IMF）,并将IMF分量合并成新的信号矩阵;然后,对IMF进行希尔伯特谱分析,得到信号的时-频域特征;接着,对构造的信号矩阵进行进一步的CSP分解,将时-频域特征扩展成时-频-空域特征;最后,通过支持向量机（SVM）对特征集进行分类。在BCI Competition II数据集的实验表明,与HHT时-频域和CSP空域特征的方法相比,所提方法的识别准确率分别提高了7.5、10.3和9.2个百分点,且标准差更小。在智能轮椅平台进行在线实验的结果表明,HCHT能有效提高识别准确率和稳定性。