多类运动想象脑电信号特征提取与分类

针对多类运动想象情况下存在的脑电信号识别正确率比较低的问题,提出了一种基于小波包特定频段的小波包方差,小波包熵和共同空间模式相结合的脑电信号特征提取的方法,并将特征向量输入到支持向量机中达到分类的目的;首先选择重要导联的脑电信号,进行特定频段的小波包去噪和分解;其次对通道优化的重要导联的每个通道信号计算小波包方差和小波包熵值作为特征向量;然后对所有重要导联的分解系数重构并进行共同空间模式特征提取;最后结合2种不同导联方式所获取的特征向量作为分类器的输入进行分类;采用BCI2005desc_IIIa中l1b数据进行验证,该算法的分类正确率最高达到88.75%,相对2种单一的提取方法分别提高28.27%和6.55%;结果表明该算法能够有效提取特征向量,进而改善多类识别正确率较低的问题。     

基于脑电信号的情绪特征提取与分类

情绪作为人脑的高级功能,对人们的个性特征和心理健康有很大的影响,利用网上公开的脑电情绪数据库(Deap数据库),根据心理较价和激励唤醒度等级进行情绪划分,对压力和平静两种情绪进行研究分析。在利用db4小波分解与重构算法分解信号的基础上,根据左右脑脑电在产生情绪时脑电信号非对称性的特点,提出一种新的情感特征提取方法,通过计算右侧导联的微分熵值除以左、右对称导联的微分熵之差与右侧导联的微分熵值除以左、右对称导联的微分熵之和,提取出脑电信号的不对称熵特征。利用遗传算法优化的支持向量机对情绪分类识别,平均识别率为88.625%,对比传统特征的分类识别率,利用不对称熵特征的分类识别率有明显提高。     

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。     

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％。     

脑电信号的小波变换和样本熵特征提取方法

针对现有的采用单一的特征提取算法对运动想象脑电信号识别率不高的问题,提出一种结合小波变换和样本熵的特征提取方法.通过小波变换,把脑电信号进行3层分解,抽取出对应于脑电β节律频带的小波系数的能量均值和能量均值差,并结合脑电信号的样本熵组成特征向量,使用支持向量机分类器对左右手运动想象脑电信号进行分类.结果表明,结合小波变换和样本熵的特征提取方法明显优于仅采用小波变换、样本熵以及其他传统的特征提取方法,得到的最高正确识别率为91.43%.     

基于运动想象的脑电信号特征提取研究

基于运动想象脑电信号的脑-机接口系统在医疗领域具有广阔的应用前景,被应用于运动障碍人士的辅助控制以及脑卒的预后康复。由于运动想象的脑电信号信噪比低、不平稳以及差异性显著,对脑电信号识别带来负面影响。一个有效的特征提取算法能够提高脑-机系统的脑电信号识别率。提出一种多通道的脑电信号特征提取方法,将数据矩阵分解为基矩阵与系数矩阵的乘积,以类间离散度做为性能判据对系数矩阵进行特征提取,提取可分性更高、维数更少的特征。结合脑电信号识别领域常见的分类器在2008年BCI竞赛数据集上进行验证,证明所提方法是有效的。     

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%。     

三类运动想象脑电信号的离线分析研究

为解决运动想象脑电信号(EEG)的多分类问题,本文提出了一种基于粒子群优化支持向量机(PSO-SVM)的EEG分类方法,采用NEUROSCAN平台设计实验自测数据,对想象左手握握力器,右手握握力器,右脚踩油门三类运动想象任务进行了分类识别研究。采用FFT和IFFT对信号进行预处理,采用离散小波分析(DWT)提取能量值,并结合小波系数作为组合特征,分类效果明显好于BP和自组织神经网络(SOM)分类器。     

基于能量特征的脑电信号特征提取与分类

为了快速、有效地提取脑电特征,提高分类正确率,采用带通滤波和小波包分析的方法提取Mu、Beta节律对应的脑电信号,在时域范围内,将信号幅度的平方作为能量特征值;在频域范围内,采用AR模型功率谱估计法所得的功率谱密度作为能量特征值.根据运动想象脑电信号特点,构造左右通道信号能量差值的符号特性作为分类判别依据,进行分类测试,方法简单.初步实验结果表明,所利用的两种方法的分类正确率达87.857%.     

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SVM算法和纹理特征提取的遥感图像分类

遥感图像分类是遥感图像处理领域中的一个重要的研究方向,传统的遥感图像分类方法根据像素值进行分类,忽视了遥感影像中丰富的纹理特征信息.小波分析通过引入宽度可变的窗口,可以同时对信号的局部信息进行频率域和时间域的变换.小波分析算法可以有效地提取出图像中的纹理特征信息.支持向量机算法是20世纪90年代提出的一种新的机器学习算法,通常被用来进行模式识别和分类.结合小波纹理提取算法,利用支持向量机进行遥感图像分类.研究结果表明,结合纹理特征的支持向量机分类的效果优于直接对灰度图像进行分类.     

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ERS/ERD的二级共空间模式的运动想象脑电信号特征提取

针对多类运动想象EEG信号在脑-机接口方面存在分类识别率低和被试者差异性的问题,提出了一种基于ERS/ERD现象的二级共空间模式特征提取的方法。首先对全部导联进行特定频段的小波包降噪和分解;其次对分解系数重构后的信号以手(左、右)和脚(脚、舌)这二类进行一级共空间模式获取空间滤波器并对其采用2-范数筛选准则,提取权重系数较大的N个导联;然后以优化导联的投影矩阵对手与脚进行空间滤波后的信号分别作为原始信号进行二级空间模式特征提取;最后采用支持向量机进行分类。采用BCI2005Ⅲa中三位被试者的数据进行仿真验证,得到分类正确率最高达到92.55%。结果表明,该方法对EEG信号的特征提取具有较好的效果。     

基于模糊熵特征选择算法的SVM在漏洞分类中的研究

漏洞的分类能够有效提高漏洞分析和修复的效率,其分类的方式是按照漏洞的特征进行,将漏洞特征的提取转换为漏洞文本特征的提取.针对漏洞的描述性文本较短,特征选择模糊等缺点,提出了一种基于模糊熵特征选择算法的SVM的漏洞分类方法对漏洞分类进行研究.该方法结合模糊熵理论和支持向量机分类方法的优点,设计类间类内隶属度函数来体现特征项的分布情况,并结合模糊熵的计算作为漏洞特征提取的依据,通过SVM进行分类学习,对漏洞进行分类.仿真实验表明,基于模糊熵特征选择算法的SVM的漏洞分类方法实际可行,且分类准确率高于基于KNN和最大熵模型的分类方法,具有一定的研究意义.     

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...     

运动想象脑电信号的跨域特征学习方法

运动想象脑电信号采集成本高且个体差异大,跨个体域构建脑电信号模式识别模型属于典型的小样本跨域学习任务。针对该任务,提出了一种运动想象脑电信号的跨域特征学习方法。该方法首先选择最优度量方法对齐协方差并提取共同空间模式特征;其次,在该特征基础上采用领域自适应方法学习目标域的最优跨域特征。为验证所提方法的可行性与有效性,采用经典模型识别跨域特征,在两个公开的数据集上进行对比实验。实验结果表明,通过所提方法学习到的跨域特征,在运动想象模式识别中,明显优于现有方法学习到的特征。此外,还详细对比了跨域特征学习方法的各项参数设置、性能及效率。     

基于纹理特征提取的图像分类方法研究及系统实现*

深入研究灰度共生矩阵算法,结合和差统计法对其进行改进。编码实现改进的图像纹理提取算法,并采用基于径向基内积函数内核的支持向量机方法对图像分类效果进行实验。通过训练和测试证明,该系统能减少特征提取的计算时间和存储空间,并可达到良好的图像分类效果     

基于最优子段深度学习的手指运动想象脑电信号分类研究

目前已有的手指运动想象脑电信号多分类任务的分类性能均难以达到可用性能。在详细分析脑电信号时间尺度上的多种成分的基础上,设计一种信号子段提取的自监督子网络,然后把子段输入下一个子网络用于信号分类,两个子网综合成一个自监督混合的多任务深度网络。在训练阶段,子段提取子网络针对每条脑电信号提取不同的子段,由后面的分类子网络来判断该子段是否最佳而自动调整子段位置,总体损失函数由两个子网络的两个损失函数加权而成,通过整体网络学习算法实现最佳子段信号的提取并获得最佳分类效果。验证和测试阶段,子段提取子网络按照训练完成的参数自动提取相应的子段输入分类子网络进行分类。在the largest SCP data of Motor-Imagery和BCI Competition IV中Data sets 4数据集上进行网络性能验证,SCP数据集上全部受试者3指分类任务的平均测试分类准确率达70%以上,4指平均测试分类准确率达60%左右,5指平均测试分类准确率达50%左右,比现有的报道有明显的提升。证实该网络能够有效地提取出运动想象脑电信号子段,具有良好的分类效果和泛化性能。