基于DTCWT的运动想象脑电特征提取

针对脑电信号采用单一特征识别存在自适应性差和识别率低等问题,提出一种基于双树复小波(DTCWT)的多特征融合的左右手运动想象脑电特征提取方法。对原始脑电信号进行DTCWT变换提取最佳时频段;对所提取的信号频段进行希尔伯特变换与Lempel-Ziv复杂度计算,将得到的时-频域特征与非线性特征组合为特征向量;采用线性判别分析(LDA)完成运动想象任务的分类。实验采用BCI CompetitionⅢ竞赛数据对该方法进行验证,仿真结果表明其识别准确率明显提高,最高可达89.84%。     

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.     

无线便携式动物脑电遥测记录系统

开发出一套无线便携式动物脑电遥测系统。采集的数据经过放大、滤波后调制发射,接收器接收到无线信号后进行解调并通过串口打印显示出电压信号。实验中将测量电极植入大鼠颅骨内,并将信号采集发射器背负在大鼠身上,分别记录大鼠睡眠、清醒和癫痫脑电波形。实验结果表明该系统,复杂环境下发射器的发射距离达到20 m,可以稳定工作8 h,且具有体积小、功耗低、精度高等特点,适用于大鼠脑电遥测实验。     

WPD-CSP脑电特征提取方法的时间优化

基于小波包分解和共空域模式的方法(WPD-CSP)弥补了CSP方法的频率缺陷,但是非常耗时.针对此问题,提出基于通道选择的WPD-CSP改进方法.使用Fisher判别准则(FDC)选择被试特异的最优通道,对选择的通道进行WPD分解,选择与运动想象任务相关的频率子带进行CSP特征提取,采用Fisher线性判别分析(FLD...     

基于自发脑电的脑机接口实验研究与设计

针对基于自发脑电信号的脑机接口研究,设计了一种科学的且易实现的运动想象实验范例,利用运动想象脑电作为BCI的控制信号。该实验方案能有效地获得可识别的具有特征性的自发脑电电位,满足脑机接口实验要求,为BCI的研究提供了一种更加自然、更加实用的控制方式。     

基于数据增强的运动想象脑电分类

针对运动想象脑电（MI-EEG）多分类问题,在已有研究的基础上进行改进,构建了基于深度可分离卷积的轻量级卷积神经网络（L-Net）和轻量级混合网络（LH-Net）,并在BCI竞赛Ⅳ-2a四分类数据集上进行了实验和分析,结果表明：L-Net比LH-Net可以更快地拟合数据,训练时间更短;但LH-Net的稳定性比L-Net更好,在测试集上的分类性能具有更好的稳健性,平均准确率和平均Kappa系数比L-Net分别提高了3.6个百分点和4.8个百分点。为了进一步提升模型分类性能,采用了基于时频域的高斯噪声添加新方法对训练样本进行数据增强（DA）,并针对噪声的强度进行了仿真验证,推测出了两种模型的最优噪声强度的取值范围。仿真结果表明使用了该数据增强方法后,两种模型的平均准确率最少提高了4个百分点,四分类效果均得到了明显提升。     

多通道三维视觉指导运动想象脑电信号特征选择算法

针对基于三维视觉指导的运动想象脑机接口多通道冗余信息较多、分类准确率差的问题,提出了一种基于小波包分解（WPD）—共空间滤波（CSP）—自适应差分进化（ADE）的模式脑电信号特征提取与选择分类方法。首先,对采集的多通道运动想象脑电信号进行WPD变化,划分出精细的子频带;然后,分别将WPD变换后的每个子空间作为CSP的输入,得到对应的特征向量;最后,使用ADE算法对特征向量进行选择,选择出用于分类的最佳特征子集。采用WPD-CSP-ADE模式进行特征提取与选择,较经典的WPD-CSP方法在分类正确率、特征个数方面有着更好的表现。同时,所提算法分类性能明显优于遗传算法、粒子群算法。实验结果表明,WPD-CSP-ADE方法能够有效地提高分类正确率,同时减少了用于分类的特征个数。     

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。     

Bagging RCSP脑电特征提取算法

正则化共空间模式（Regularized common spatial pattern,RCSP）解决了共空间模式（Common spatial pattern,CSP）对噪声敏感的问题,但它在小样本脑电数据集中的表现并不理想.针对上述问题,本文提出了Bagging RCSP（BRCSP）算法,通过Bagging方法重复选取训练数据来构造一个个包,并提取RCSP特征,再利用线性判别分析（Linear discriminant analysis,LDA）将特征向量映射到低维空间中,最后采用最近邻（Nearest neighborhood classifier,NNC）算法判定分类结果.线下实验证明,相比较聚合正则化共空间模式（RCSP with aggregation,RCSP-A）,BRCSP的平均准确率提高了2.92%,且方差更小,鲁棒性更好.最后,在智能轮椅平台上,10位受试者利用BRCSP算法实现左右手运动想象脑电信号控制轮椅完成"8"字形路径的实验,证明了该算法在脑电信号特征提取中的有效性.     

脑电有源拉普拉斯电极设计

从信噪比、电极参数选择等角度,研究拉普拉斯电极在脑电应用中的可行性,并且设计了一种用于视觉诱发电位检测的有源拉普拉斯电极。文中利用脉冲信号刺激试验动物视网膜,参考电极放置在一侧耳后乳突处,有源电极固定在枕骨粗隆处,可以检测到视觉电诱发电位,效果良好。     

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。     

Adaptive filtering of EEG/ERP through Bounded Range Artificial Bee Colony (BR-ABC) algorithm

In this paper, the Artificial Bee Colony (ABC) algorithm is applied to construct Adaptive Noise Canceller (ANC) for electroencephalogram (EEG)/Event Related Potential (ERP) filtering with modified range selection, described as Bounded Range ABC (BR-ABC). ERP generated due to hand movement is filtered through Adaptive Noise Canceller (ANC) from the EEG signals. ANCs are also implemented with Least Mean Square (LMS) and Recursive Least Square (RLS) algorithm. Performance of the algorithms is evaluated in terms of Signal-to-Noise Ratio (SNR) in dB, correlation between resultant and template ERP, and mean value difference. Testing of their noise attenuation capability is done on contaminated ERP with white noise at different SNR levels. A comparative study of the performance of conventional gradient based methods like LMS, RLS, and ABC algorithm is also made which reveals that ABC algorithm gives better performance in highly noisy environment.     

基于图像空间聚类的滤波技术

传统的图像滤波器在抑制噪声的同时会丢失图像中的边缘和细节。借鉴遥感图像聚类方法,并对其加以改进,提出空间聚类方法。空间聚类方法重视图像空间分布模式的判别与保护,可有效分离出有噪图像中对视觉效果影响较大的噪声。在信噪分离的基础上,对噪声点加以滤波操作,对相对无噪声像元点则采用加权均值融合处理。实验证明,此方法一方面保证了图像的去噪效果,另一方面最大可能地保存了图像中没有被噪声污染的边缘和细节信息,并且对多类噪声甚至混合噪声均有较好的效果。     

基于多尺度Lempel-Ziv复杂度的运动想象脑电信号特征分析

运动想象脑电信号特征提取是脑机接口研究领域的重要问题,提出一种基于多尺度Lempel-Ziv复杂度的运动想象脑电信号特征提取算法.该算法是传统二值化Lempel-Ziv复杂度算法的改进,它将脑电信号分成多个不同幅值范围的区域,根据信号在各区域间的上升和下降趋势,对脑电信号进行二值化处理得到Lempel-Ziv复杂度.本...     

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。     

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.     

运动想象脑电信号识别研究

通过对运动想象脑电信号的分类,对受试者进行身份识别。采用一种盲源分离算法——二阶盲辨识对运动想象脑电信号进行处理,提高运动想象脑电信号的信噪比,进而采用Fisher距离对处理后的信号进行特征提取,最后采用BP神经网络对特征集进行分类,从而实现对受试者的身份识别。对3位受试者的4类运动想象脑电信号分别进行了分类识别,结果显示,4类运动想象脑电信号的识别率均达到80％左右,其中最高的是想象舌动脑电信号,其识别率达到88.1％,这在类似研究中属于较高的水平。     

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。