基于PCA融合PSO-SVM的运动想象脑电信号分类方法

运动想象脑电信号的分类识别是当前脑机接口(BCI)技术面临的难点。针对该问题,提出一种融合主成分分析(PCA)和粒子群优化-支撑向量机(PSO-SVM)的运动想象脑电信号分类方法。首先利用PCA对采集到的高维脑电信号进行分析,剔除其中噪声分量并提取三维反应不同脑电信号差异特性的特征向量。然后利用SVM对特征向量进行分类,同时针对SVM分类性能受核参数影响较大的问题,利用PSO算法的全局寻优能力对其进行优化,从而提升SVM的分类性能。最后采用BCI竞赛中所用Graz数据进行实验,结果表明所提的PCA融合PSO-SVM方法可以获得95.3%的分类性能,在低信噪比条件下具有鲁棒性和较高的应用前景。     

基于排列组合熵的脑电意识任务识别方法的研究

研究基于脑电信号排列组合熵的运动意识任务自动分类方法.求出时变脑电信号所对应的排列组合熵时间序列.它能很好的反映出事件相关去同步(ERD)和事件相关同步(ERS)现象,因此能有效地提取人脑想象左右手运动任务时的特征,最终利用K-近邻法模式分类方法对想象左右手运动任务进行分类决策.对国际脑机接口竞赛相关数据进行测试,最高准确率达到88.57%,最大互信息达到0.42.基于排列组合熵的脑电信号特征,可以作为脑电意识任务的有效分类依据.     

想象左右手运动的脑电特征提取

针对脑机接口中脑电信号特征提取的传统方法特征数量多、计算量大及分类正确率低等不足,提出了一种基于时域、频域、空域结合的方法用于提取大脑在想象左右手运动时所产生的事件相关去同步(ERD)和事件相关同步(ERS)信号.分别用独立分量分析(Independent Component Analysis, ICA)和小波变换提取原始脑电信号的空域特征及时频域特征,并用BP(Back Propagation )神经网络对提取的特征进行分类.分类实验结果表明,运用提出的方法提取的想象左右手运动脑电的特征,有效克服了传统的仅基于时频域特征提取方法在描述脑电信号本质特征方面的不足,具有较好的分类正确率.     

双树复小波特征在运动想象脑电识别中的应用

提出了一种基于双树复小波变换的运动想象脑电信号特征提取方法。针对传统离散小波抗混叠性差的缺陷,采用双树复小波变换对脑电信号进行分解与重构,得到各子带信号能量并进行归一化处理,选取α、β节律信号的归一化能量作为想象运动的特征进行SVM分类。通过对仿真信号的分析,证实双树复小波变换具有良好的混叠抑制能力和抗噪性。最后选用国际脑机接口竞赛和实验室实测的运动想象数据进行分类识别。实验结果表明,双树复小波变换是一种有效的特征提取方法,其运动想象特征的识别率要优于常用的特征分析方法。     

基于排列熵和CSP融合的脑电信号特征提取

脑电信号(EEG)是一种在医学领域应用非常广泛的生物电信号。单一的特征提取方法不能够多方面表示脑电信号特征,从而会给不同意识任务下运动想象脑电信号的分类带来一定困难。对此,提出一种基于离散小波变换(DWT)、排列熵(PE)和共空间模式算法(CSP)的特征提取方法(DWT-PECSP)。首先,采用db4小波基对原始脑电信号进行3层小波分解,根据左右手运动想象所处的频段重构出包含μ节律(8 Hz-12 Hz)和β节律(18 Hz-26 Hz)的频段信号;然后,分别计算出该频段信号的排列熵值和CSP方差作为特征量,并将这两组特征量进行组合;最后,将组合后的特征量输入到支持向量机(SVM)中进行分类识别。实验结果表明,该算法在2003年脑机接口竞赛的标准数据集(DataSet Ⅲ)分类上获得了较高的分类准确率(91.43%),均高于单一提取排列熵特征的准确率(71.42%)和CSP方差特征的准确率(85.71%)。通过对比近年来其他文献的特征提取方法,验证了DWT-PECSP算法能够更有效地提取运动想象脑电特征。     

一种新的BP学习算法及在运动想象脑电信号分类识别中的应用

对运动想象(MI)脑电信号的正确分类是决定基于运动想象脑电的脑－机接口(BCI)性能的关键因素。为有效地提取MI脑电信号特征、提高分类正确率,提出一种基于单形进化的BP神经网络优化算法(BPSSSE)并运用于MI脑电信号的识别,提取自相关(AR)模型参数和希尔伯特边际谱作为特征输入,通过单形进化算法优化BP神经网络学习性能,实现对MI脑电信号的分类。测试实验中,对BCI竞赛数据进行左右手分类。结果表明在4s~ 8s时间段内平均分类正确率为80.17%,最高分类正确率为87.14%,证明了本文算法在基于MI脑电的脑机交互控制系统中应用研究的有效性和可行性。     

基于奇异谱熵的脑电意识任务识别方法的研究

奇异谱分析是脑电信号研究的一种新方法。脑电信号的奇异谱熵可以反映脑电的特征,它有助于研究大脑的动力学行为。时变脑电信号所对应的奇异谱熵时间序列能很好地反映出事件相关去同步(ERD)和事件相关同步(ERS)现象,因此可以提取人脑想象左右手运动任务时的特征,最终利用K-近邻模式分类方法对想象左右手运动任务进行有效的分类决策。最后对国际脑机接口竞赛2003相关数据进行了测试,最高准确率达到85.16%,最大互信息达到0.48。测试结果说明,基于奇异谱熵的脑电信号特征,可以作为脑电意识任务的有效分类依据。     

基于多特征和BP神经网络的脑-机接口研究

研究了一种基于运动想象识别的脑-机接口(BCI)系统,通过提取想象过程中的脑电信号(EEG)中Alpha波特征,采用多特征分类的方法,以提高脑-机接口系统运动想象识别的正确率。针对脑电信号单特征分类精确度低、耗时长等缺点,采用自回归模型法、统计特征提取和频域分析的方法对Alpha波提取多个特征值,利用BP神经网络进行分类,对运动想象进行识别。通过实验验证了其识别率较高,取得了预期的效果,证明了多特征融合结合BP神经网络运用于脑机接口系统的可行性。     

基于EMD和PCA的P300分类算法

提出一种基于经验模态分解(EMD)及主分量分析(PCA)的分类算法,采用支持向量机(SVM)对P300脑电信号字符拼写实验进行分类,通过EMD变换对P300脑电信号分解,从而达到去噪增强特征的效果,使用PCA方法对原始P300信号进行特征提取和集中,并送入SVM中实现分类。实验结果表明,该算法能获得高达96%的分类正确率。     

基于EMD和PCA的P300分类算法

提出一种基于经验模态分解(EMD)及主分量分析(PCA)的分类算法,采用支持向量机(SVM)对P300脑电信号字符拼写实验进行分类,通过EMD变换对P300脑电信号分解,从而达到去噪增强特征的效果,使用PCA方法对原始P300信号进行特征提取和集中,并送入SVM中实现分类。实验结果表明,该算法能获得高达96%的分类正确率。     

基于局部均值分解与样本熵的脑电信号特征提取与分类

针对运动想象脑电信号的识别问题,提出一种改进的脑电信号特征提取与分类方法。利用局部均值分解算法将原始信号分解为一系列乘积函数(PF)分量,根据μ节律和β节律范围内的脑电信号剔除无意义的PF分量。通过特征时间选择原则,选取4 s~6 s运动想象脑电信号作为分类数据,分别计算C_3,C_4导联信号二阶和三阶PF分量样本熵的和,并将其均值MSampEn(C_3,C_4)作为输入元素构造脑电特征向量,利用支持向量机进行分类预测以识别左右手想象运动。实验结果表明,与经验模态分解以及总体经验模态分解方法相比,该特征提取方法具有更高的分类准确率。     

基于经验模态分解和SVM的脑电信号分类方法

脑电信号的非线性、非平稳性造成对运动想象脑电信号的分类识别存在特征提取困难、可区分性低以及分类识别性能差等问题。本文提出一种基于经验模态分解(Empirical Mode Decomposition, EMD)和支撑向量机(Support Vector Machine, SVM)的运动想象脑电信号分类方法,充分利用EMD算法在处理非线性、非平稳信号的自适应性以及SVM在小样本条件的高识别性能和强泛化能力。首先利用EMD算法将C3、C4导联信号分解为一系列本征模函数(Intrinsic Mode Function, IMF),然后从IMF的信息和能量等维度提取特征将脑电信号转换至区分性更强的特征域,最后利用SVM进行分类识别。采用国际BCI竞赛2003中的Graz数据进行验证,所提方法可以得到94.6%的正确识别率,为在线脑-机接口系统的研究提供了新的思路。     

基于MODWT的运动想象脑电信号识别

对运动想象脑电信号进行分类识别,是脑机接口研究中的重要问题。为此,提出一种基于极大重叠小波变换和AR模型的脑电信号分类方法。将脑电信号波形进行极大重叠小波分解,抽取变换系数的统计特征,利用Burg算法提取其3层光滑的8阶AR模型系数以及3层光滑部分的能量曲线特征,将这3类特征进行组合后,使用神经网络、支持向量机及线性判别进行分类和比较。与BCI2003竞赛数据分类精度结果相比,该方法的识别率更高。将模型移植入自行研制的嵌入式脑电信号控制电机转向系统中,该模式识别方法的平均准确度达到了91.3%,可用于嵌入式脑机接口的系统设计。     

基于双树复小波变换和GBDT的运动想象脑电识别

针对脑机接口研究中的脑电信号特征提取与分类问题,提出了一种基于双树复小波变换结合GBDT的想象左右手运动脑电识别的方法。该方法首先深入研究了双树复小波变换相比于小波包变换在脑电信号特征提取方面的优势并验证了ERD/ERS现象;实验数据采用了2003年国际脑机接口竞赛的标准数据集DataSetⅢ,然后,选取了4个典型的时间段进行实验对比,利用双树复小波变换分解与重构提取运动感知节律相关信号分量的能量均值作为特征进行GBDT分类。最后,实验取得了较好的分类准确度,验证了双树复小波变换结合GBDT的方法在脑电信号识别应用中的有效性。     

基于改进EMD的运动想象脑电信号识别算法研究

针对现有的单一特征提取算法对运动想象脑电信号识别率不高的问题,提出一种以相关系数改进的经验模态分解(EMD)的特征提取算法。对已有的BCI竞赛数据中C3、C4两个通道脑电数据进行预处理,之后通过EMD对脑电信号进行分解,得到IMF分量。通过计算原始信号与各阶IMF分量之间的相关系数,选择具有较大相关系数的IMF作为特征,由这些IMF分量的能量特征和平均幅值差来组成脑电信号的特征。使用支撑矢量机分类器(SVM)对左右手运动想象脑电信号进行分类。实验结果表明,基于相关系数改进的EMD脑电信号的处理方法明显优于只用EMD的脑电处理方法,得到的最高正确识别率为88.57%。从而证明了该方法的有效性。     

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。     

基于时频域的卷积神经网络运动想象脑电信号识别方法

针对目前运动想象脑电（EEG）信号识别率较低的问题，考虑到脑电信号蕴含着丰富的时频信息，提出一种基于时频域的卷积神经网络（CNN）运动想象脑电信号识别方法。首先，利用短时傅里叶变换（STFT）对脑电信号的相关频带进行预处理，并将多个电极的时频图组合构造出一种二维时频图；然后，针对二维时频图的时频特性，通过一维卷积的方法设计了一种新颖的CNN结构；最后，通过支持向量机（SVM）对CNN提取的特征进行分类。基于BCI数据集的实验结果表明，所提方法的平均识别率为86.5%，优于其他传统运动想象脑电信号识别方法；同时将该方法应用在智能轮椅上，验证了其有效性。     

基于LMD和CSP的多域融合脑电信号分类方法

运动想象脑电信号非平稳、非线性和微弱性特征明显,采用传统单一维度特征进行分类时存在识别率低、鲁棒性差的问题。提出一种基于局部均值分解(Local Mean Decomposition, LMD)和共空间模式(Common Spatial Pattern, CSP)的多域融合脑电信号分类方法,采用LMD对运动脑电信号进行自适应分解得到多个乘积分量(Product Function, PF),进而从PF中提取反映不同信号差异特性的12维时-频域特征,将PF作为CSP的多通道数据进行分解,并提取18维空域特征。利用相关向量机(Relevance Vector Machine, RVM)分类器对30维时-频-空域特征进行特征选择和分类识别,在自动确定最优分类特征的同时获得理想的分类结果。基于BCI竞赛数据开展实验,结果表明,所提方法可以获得优于95%的正确分类性能,并且在低信噪比条件下具有较强的噪声稳健性。     

基于能量熵的运动想象脑电信号分类

对脑电信号进行特征提取和分类是脑机接口研究的核心问题,利用不同运动想象脑电信号能量熵的变化,从能量熵中提取特征,利用自定义基于统计理论分类方法进行分类,结果均达到90%以上。     

基于运动想象脑电信号的导联排序研究

为在脑机接口系统BCI(brain-computer interface)中有效选择导联进行特征提取和分类提供依据,研究了基于运动想象脑电信号的导联排序.根据公共空间模式算法CSP(common spatial pattern)原理提出了一种导联排序方法--基于协方差和主成分分析的排序算法CPSorting(covariance and principal component sorting),并研究了运动想象脑电信号MI(motor imagery)导联的排序情况以及排序靠前的导联对分类的贡献.利用公共空间模式算法对CPSorting排序后导联的数据提取特征,再分别应用支持向量机SVM和K近邻算法KNN进行分类.实验结果表明了该排序算法能有效地对基于运动想象脑电信号的导联进行排序.