基于小波的模拟自然阅读事件相关电位单次提取的研究

选择适当的信号处理方法从脑电信号中提取用户的信息和命令,是改进脑计算机接口通信速率的方法之一.由于自发脑电信号(electroencephalograph ,EEG)是非高斯有色噪声,且自发脑电信号的频谱不规则,与有效信号的频谱相重叠,传统的滤波方法难以取得较好的效果.基于随机噪声与有效信号的小波变频模极大值在不同尺度下的传播行为不一样的原则,提出了一个基于自回归模型和小波变换多尺度分析的模拟自然阅读事件相关电位的单次提取方法.经对实际脑电信号处理的实验表明,该算法能更为有效的提取脑电信号.     

脑电时空多特征融合的数字图形界面认知负荷评价方法

准确地评价数字图形界面下操作员的认知负荷(cognitive load, CL),有助于实现认知反馈机制并最终提高人机工效.为了进一步提高评价方法的鲁棒性与泛化能力,结合EEG实验将Att-BLSTM应用于CL评价问题中.该方法首先利用Multi-CNN提取EEG的频域与空间特征,然后利用Att-BLSTM提取EEG的时域特征,最后通过多特征融合构建CL评价方法.通过招募12名被试,采集了2种CL条件下的EEG数据进行了实验.实验结果表明,文中方法在该数据集上的平均准确率为82%,比传统机器学习的方法具有更强的EEG信号表征能力;与其他深度学习方法相比,也能更准确地提取EEG的时域特征,且具有更强的鲁棒性.     

基于改进的GAF算法的EEG情感识别

利用脑电图(EEG)信号对人类的情感进行识别一直是一个重要且具有挑战性的研究领域。传统的方法都是对一维EEG信号进行分析,然后提取特征进行识别;但这种方法需要提取许多时域或频域上的特征才能取得较好的识别效果。考虑到二维图像蕴含的信息要远远比一维信号蕴含的信息丰富,因此将一维信号转换成二维图像可以提取更加有效的特征进行识别。为此,该文提出了一种基于改进的Gramian Angular Field(GAF)算法的EEG情感识别方法。首先,从EEG信号中提取alpha、beta、gama三个频段的子带信号;然后,提出了一种基于马氏距离加权的改进GAF算法将一维EEG信号转换成二维特征图像;接着,从二维图像中提取奇异值熵、图能量等特征;最后,利用卷积神经网络(CNN)对提取的EEG特征进行分类识别。基于广泛使用的DEAP数据集,针对四分类(HAHV、LAHV、LALV和HALV)情感识别任务,对该模型进行了验证。实验结果表明：所提算法的平均分类准确率达到92.63%,与现有的识别方法对比具有一定的优势。     

基于脑电和肌电多特征的自动睡眠分期方法

为实现准确的自动睡眠分期,且满足泛化能力的需求,基于脑电(EEG)和肌电(EMG)多特征,提出一种自动睡眠分期方法。以MIT-BIH多导睡眠数据库中样本的EEG和EMG为分析对象,采用离散小波变换对原始数据进行滤波预处理,提取EEG的α,β,θ,δ节律波和高频成分的能量比,利用样本熵算法提取EEG的非线性特征。将特征参数输入支持向量机分类器中进行样本训练与分类识别。实验结果表明,该方法的分期准确率可以达到92.94%,相比基于EEG的睡眠分期方法平均准确率提高3.96%,交叉验证平均准确率达82.68%,具有较好的泛化能力。     

基于三维视觉指导的运动想象训练性能分析

为提高视觉指导下运动想象（MI）的训练效率和脑机接口（BCI）的分类准确率,研究了虚拟现实（VR）环境对MI训练的影响以及不同视觉指导下脑电（EEG）分类模型的差异。首先,设计了三种三维手部交互动画及其EEG采集程序;然后,分别在头戴式头盔（HMD）和平面液晶屏（LCD）的呈现环境下,对5名健康被试进行了标准（单次实验5min）和长测（单次实验15min）两种实验方案的左右手MI训练;最后,通过对EEG数据的模式分类,分析了呈现环境和内容形式对分类准确率的影响。实验结果表明,在视觉指导的MI训练中,HMD与LCD的呈现方式存在显著性差异。HMD所呈现的VR环境能够提高MI分类准确率,延长单次训练时长;此外,不同视觉指导内容下的分类模型存在较大差别,当测试样本与训练样本为同一视觉指导内容时,其平均分类准确率较之不同情况高出16.34%。     

基于稀疏低秩张量分解的情绪脑电多域特征提取与分类

基于脑电信号(Electroencephalogram, EEG)的情绪分析和识别研究一直是脑科学领域的热点,利用复Morlet小波变换构建脑电张量,结合其低秩、稀疏的特点,提出一种EEG多域特征提取方法——稀疏正则的低秩逼近Tucker分解算法。该算法提取样本所特有的多域特征——核心张量和样本共有的因子矩阵,对情绪脑电进行分类和分析,克服了传统Tucker分解计算效率低,易导致维度爆炸的缺陷。实验结果表明,在MODMA数据集上,以核心张量作为多域特征进行EEG样本分类,对不同情绪刺激下抑郁症患者(MDD)的平均识别率为88.9%,且运算效率较传统Tucker分解提高约16倍。利用表征空间特征的因子矩阵对活跃脑区进行分析,实现对脑区空间层面动态变化的对比,发现MDD患者与正常对照组在效价与唤醒度的敏感度上的差异。SLraTucker分解算法能够有效提取EEG的多域特征,为分析情绪脑电以进行相应诊断提供了新的方法和思路。     

基于训练样本评估的CSP滤波器增量更新方法

由于脑电图(electro encephalo gram,EEG)能反映不同状态下大脑的思维活动,因此,基于EEG的运动想象识别已经成为一个新的研究热点。为了降低低质量样本对CSP(common spatial pattern)滤波器模型的组间传输性能的影响,提高正确率,提出了一种基于样本筛选的CSP滤波器增量更新方法。首先通过样本筛选的方法对EEG数据进行质量评估,然后剔除低识别率对应的单次训练数据,最后对优化后的样本所设计的CSP滤波器进行增量更新。实验室环境下,对EEG信号进行运动想象识别,其平均正确率达到80.92%,相比传统的CSP方法,五位受试者测试集的平均识别率分别提高了5.4%、5.6%、1.5%、8.6%和7.7%,实验结果验证了所提算法的有效性。     

以脑电图子序列特征向量为节点的脑网络分析方法

工作记忆复杂网络分析方法大多数是以通道作为节点从空间的角度进行分析，很少有从时间角度对通道网络进行分析。针对脑电图（EEG）的高时间分辨率特性及时间序列分段较难的缺陷，提出一种从时间角度构建网络并对网络进行分析的方法。首先，利用微状态将每个通道的EEG信号划分成不同的子段作为网络的节点；其次，在子段中提取并选择有效特征作为子段的特征，计算子段特征向量之间的相关性构建通道时间序列复杂网络；最后，对所构建网络的属性及相似性进行分析，并在精神分裂症患者EEG数据上进行验证。实验结果表明，通过所提方法对精神分裂症数据进行分析，能够充分利用EEG信号的时间特性从时间角度深入了解精神分裂症病人工作记忆中构建的时间序列通道网络的特点，解释了精神分裂症患者与正常人的显著性差异。     

在线BCI高速数据流的可预测并发实时传输

基于多分类运动想象的在线BCI(brain computer interface,脑机接口)中,如何实时处理高速EEG(electroencephalogram,脑电)数据流是实现在线意识识别的难点,其关键是高速计算和复杂情况下的预测问题.以线程并发作为解决高速计算问题的切入点,首先将EEG信号分析任务分解为多个线程子任务,并通过缓冲区管理策略解决线程并发带来的协同问题,针对高速EEG数据流的复杂变化问题,采用自适应单向模糊推理的方法预测数据流伸缩变化,并针对线程并发造成的中间结果的错序问题,设计信号量互斥与同步方法对中间数据块进行顺序重组.针对多名受试者的大量实验显示,单次Trial平均延迟时间明显减少.因此,线程并发和模糊推理能够解决在线BCI系统的高速计算和预测问题,从而提高信息传输率.     

基于虚拟通道的ICA的P-VEP提取方法的研究

本文介绍了独立分量分析算法(ICA)的原理、算法及其特点。采用ICA算法进行P-VEP的提取,考虑到仪器实际应用中单通道VEP信号的提取,本文通过引入虚拟通道,构造虚拟多通道,克服了ICA无法直接对单路信号进行独立分量分析的难题,实现P-VEP单通道单次的有效提取。经与目前临床通用的相干平均法比较,只需单通道、单次,在波形整体和P100潜伏期的提取上,效果显著,获得医师欢迎,很有进一步开发潜力。     

脑-计算机接口通信载波信号的单次提取

为了改进脑-计算机接口通信的速率,根据模拟人类自然阅读诱发模式实验数据中,噪声和信息的统计特征随时间分段变化的特点,对RLS算法进行改进,提出分段遗忘因子RLS算法。一系列的仿真和对实际实验数据的处理表明,运用我们的方法使得单次实验提取事件相关脑电位成为可能,使脑-计算机接口的通信速率得到提高。     

结合非线性全局特征和谱特征的脑电情感识别

针对现有表征情感信息的脑电信号的非线性特征提取不完善的问题,将相空间重构技术引入情感脑电的识别中,提取了在相空间重构下基于轨迹的描述轮廓的三种非线性几何特征作为新的情感脑电特征。结合脑电信号的功率谱熵以及非线性属性特征（近似熵、最大Lyapunov指数、Hurst指数）,提出了基于主成分分析（PCA）的非线性全局特征（非线性几何特征+非线性属性特征）和功率谱熵的融合算法,以支持向量机（SVM）为分类器进行情感识别。结果显示,非线性全局特征能更有效地实现情感识别,二分类情感识别率约90%左右。基于PCA的融合情感特征相比单一特征能达到更佳的情感识别性能,四分类实验中平均识别率可达86.42%。结果表明,非线性全局特征相比非线性属性特征情感识别率有所提高,非线性全局特征以及功率谱熵的结合可以构造出更佳的情感脑电特征参数。     

基于脑电时频空多域特征融合的情感识别研究

传统基于脑电信号（electroencephalogram,EEG）的情感识别主要采用单一的脑电特征提取方法,为了充分利用EEG中蕴含的丰富信息,提出一种多域特征融合的脑电情感识别新方法。提取了EEG的时域、频域和空域特征,将三域特征进行融合作为情感识别模型的输入。首先计算不同时间窗EEG信号的alpha、beta、gamma三个频段功率谱密度,并结合脑电电极空间信息构成EEG图片,然后利用卷积神经网络（convolutional neural network,CNN）与双向长短期记忆网络（bidirectional long short-term memory network,BLSTM）构建CNN-BLSTM情感识别模型,分别对时、频、空三域特征进行学习。在SEED数据集对该方法进行验证,结果表明该方法能有效提高情感识别精度,平均识别准确率达96.25%。     

基于希尔伯特变换联合卷积神经网络的脑电信号识别方法

传统运动想象脑电信号识别方法需要人为提取大量特征,识别性能受研究人员经验影响较大,主观性强;提出一种基于希尔伯特变换(HT)联合卷积神经网络(CNN)的运动想象脑电信号自动识别方法,首先利用HT对原始EEG信号进行分析,实现一维数据向二维幅-相图像转换的同时增加信息提取维度;然后将其作为输入利用CNN层次化的对幅-相二维图像进行理解和解译,自动提取特征并完成分类识别,基于BCI竞赛中所用Graz数据集开展试验,结果表明相对于传统特征提取方法,文章所提算法在低、中、高信噪比条件下均能获得更好的识别性能,具有更强的噪声鲁棒性.     

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。     

基于小波包变换的脑电波信号降噪及特征提取

针对原始脑电波信号存在非平稳性且非常容易受到各种信号干扰等特点,对基于小波变换和小波包变换的脑电波信号的滤波降噪方法,和基于小波包变换的脑电波信号特征提取方法进行了研究。首先利用MindSet采集到原始脑电波数据,然后分别应用小波变换和小波包变换对其进行降噪处理,比较了两种方法的性能,验证了基于小波包变换的降噪方法的优越性和特征提取方法的有效性。     

基于迁移学习的癫痫EEG信号自适应识别

脑电图（electroencephalogram,EEG）信号智能识别是癫痫病检测的重要手段。传统的智能识别方法在进行检测时,都假定智能模型训练采用的训练样本集和测试样本集满足同一分布特征,但在实际应用时,此假设条件过于苛刻,当训练和测试数据对应的场景有一定漂移时传统方法不再适用。针对上述情况,将近年来广受关注的对分布差异性场景具备较好性能的迁移学习方法引入到脑电图识别中,使得最终所得的模型对训练和测试数据的分布要求较之传统方法得到进一步放松,扩大了算法的适应场景,实现了在数据漂移场景下对癫痫EEG信号的自适应识别。实验表明,基于迁移学习的方法比传统方法具有更好的适应性。     

脑机接口中脑电信号的特征提取和模式分类

从智能处理与不确定性的角度, 探讨了脑机接口中的核心问题-EEG模式特征的识别和分类. 针对EEG模式分类中所存在的不确定性问题, 从EEG的特征提取和分类模型构建两个方面进行了分析, 并提出了解决问题的方法和对策. 以P300成分为例, 从导联选择、滤波处理和时间窗处理三方面进行特征提取, 采用贝叶斯线性判别分析的方法进行模式分类. 最后以第三届脑机接口竞赛P300字符输入的数据为实验, 分别采用3种不同的方法进行数据分析, 通过分类准确率和不同重复次数下性能的比较, 实验结果表明了本文特征提取和模式分类方法的有效性.     

基于混合特征选择的脑电解码方法

运动想象脑电是一种多通道高维信号,特征选择可以降低特征维数,选择更具判别性的特征,从而有效提高脑电解码的性能。现有的特征选择方法主要包括过滤式、包裹式和嵌入式方法,这3类方法各有优缺点。为了综合利用各类方法的优势,提出2种混合特征选择方法。第1种方法,使用最小绝对值收缩和选择算子（LASSO）进行特征选择,得到LASSO模型的权重之后,再设定一系列权重阈值进行二次特征筛选。第2种方法,使用Fisher分数对特征进行评分,然后设定一系列权重阈值进行二次特征筛选。使用Fisher线性判别分析（FLDA）对2种方法选择的特征子集进行分类。在2组脑机接口（BCI）竞赛数据集和1组实验室自采集数据集上进行实验,最高平均分类准确率分别为77.47%、76.11%、71.30%。实验结果表明,所提出的方法其分类性能优于现有的特征选择方法,而且特征选择时间也具有较大优势。