基于SVM的4类运动想象的脑电信号分类方法

针对传统支持向量机分类方法在脑电信号处理中存在分类正确率低的问题,将聚类思想与二叉树支持向量机结合构造多类SVM分类器.实验以“BCI Competition 2005”中的DatasetⅢa为例,先对采集的4类运动想象脑电信号应用小波变换进行去噪;再在分析小波包频带划分特点的基础上,利用小波包进行分解与重构,获取相应的能量特征;最后应用改进后的支持向量机(SVM)分类方法对特征信号进行分类.结果表明该方法分类正确率较高,可以达到91.12％,并且有效的减少了分类器的个数,最终达到较好的识别效果.     

基于EMD和SVM的抑郁症静息态脑电信号分类研究

以静息态脑电信号为基础,通过固有模态分解(empirical mode decomposition, EMD)算法对脑电信号进行信号去噪和特征值提取,通过支持向量机(support vector machine, SVM)算法对抑郁症患者和正常对照组人群的脑电特征值进行分类分析。 通过系统化的数据采集试验,采集了20位抑郁症患者和25位健康对照组的静息态脑电信号;对静息态脑电信号进行信号的去噪和特征提取;采用SVM算法对抑郁症患者和正常人对照组脑电特征值进行二值分类,分类正确率达到93.3%。 相较于传统的小波变换提取的特征值,分类准确率有明显的提高。     

一种用于多分类问题的改进支持向量机

针对非均衡分布的多类分类问题,为提高支持向量机(SVM)算法的性能,提出了一种改进的SVM算法. 将遗传算法(GA)与传统SVM算法结合,构造出一种参数最优的进化SVM(GA-SVM), SVM模型采用径向基函数(RBF)作为核函数,利用格雷码编码方式对SVM算法的模型参数进行遗传编码和优化搜索,将搜索到的优化结果作为SVM的最终模型参数. 在两个不同特性的数据集上进行仿真测试,结果表明,与使用交叉验证策略的简单SVM相比,改进后的GA-SVM算法在多类非均衡问题上明显提高了分类正确率,学习速度也有提高.     

采用小波熵和频带能量提取脑电信号特征

对于采用两种不同意识任务(想象左手运动和想象右手运动)的脑-机接口系统,采用脑电信号的小波熵和频带能量作为组合特征,采用Fisher线性判别分析进行分类,最后采用分类准确率和互信息作为评价标准,进行脑电信号的特征提取离线分析结果表明:该算法在分类准确率和互信息上都取得了良好的识别结果,为脑-机接口系统中意识任务的特征提取和分类提供了新方法。     

基于小波变换的脑电信号降噪方法的研究

通过小波变换方法对左右手运动想象脑电信号进行降噪.在对各种小波阈值降噪方法(固定阈值形式Sqtwolog及硬阈值法;使用Birge-Massart惩罚函数的阈值形式及软阈值法;使用分层阈值及改进的阈值法)的讨论比较之后,给出一种改进方案.然后对不同降噪方法处理后的脑电信号用概率神经网络进行分类.最后对分类效果进行比较,证明了此改进方案具有可行性.     

利用密度聚类支持向量机的气象云图云检测

为了提高气象云图云检测的判识精度和计算效率,提出一种基于密度聚类支持向量机(DC-SVM)的云检测方法。分析了MTSAT气象云图的特征提取和选择方案,建立了云和下垫面的分类样本集;在SVM学习中,通过引入样本集的纯度及充足度,选择关键样本,减少了噪声和异常样本的干扰,从而降低了计算复杂度,提高了分类精度。实验表明,该算法的分类正确率较BP神经网络及传统SVM的方法分别提高了2.54%和0.21%,训练时间及测试时间也明显减少;而且,该方法还克服了传统云检测方法需要根据先验知识确定阈值的缺点,检测结果与人工解译结果基本吻合。     

基于改进粒子群优化算法和CRNN的多类SVM分类

为了提高支持向量机(SVM)在多类分类中的分类效果,提出了一种基于改进粒子群优化(IMPSO)算法和协作式递归神经网络(CRNN)的多类SVM分类方法(IMPSO_CRNN_SVM算法).首先引入自适应惯性权重及自适应粒子变异,以此改进粒子群优化算法(PSO)在优化SVM参数过程中存在的容易陷入局部最优和早熟等问题; 然后基于多类SVM设计一个CRNN,并利用随机分配的训练集对该网络进行训练并构建最终决策函数,从而实现多类数据的“一次性”分类.最后利用3种数据集和实际应用对IMPSO_CRNN_SVM算法进行验证,结果表明IMPSO_CRNN_SVM算法的分类精度优于未进行参数优化的传统SVM算法、基本PSO 进行SVM参数优化的算法和未进行PSO参数优化的基于CRNN的多类支持向量机算法,因此IMPSO_CRNN_SVM算法具有一定的实用性.     

基于卷积神经网络的多类运动想象脑电信号识别

针对传统多类运动想象（MI）脑电信号的识别方法须进行繁琐的预处理以及特征提取问题,提出基于深度学习的MI信号自动分类方法.在样本表示方面,提出将多通道脑电（EEG）信号转化为一维序列信号处理,在增加样本数量的同时又能够忽略与通道位置相关的空间信息的影响;根据输入信号的特点,采用多层一维卷积神经网络学习不同运动想象状态时脑电信号中的时频信息,自动完成特征提取和分类工作. 将所提出的方法在公共数据集上与多种方法进行比较,并完成对实际采集数据集的分类. 利用所提方法在不需要先验知识的条件下,对脑电信号进行端到端的学习. 结果表明该方法可以获得更高的多分类准确率以及降低个体差异对分类的影响. 所提出的方法有利于促进基于MI 的脑机接口系统的开发.     

P300信号分类的多样本融合支持向量机算法

脑电信号是大脑受到自发或诱发刺激所产生的一种变化的脑电活动,利用结合了多样本融合思想的支持向量机（SVM）算法,在不同受试者的多样本数据上对诱发脑电信号中的P300信号进行了分类识别。首先对实验数据进行预处理和特征提取,然后利用SVM算法训练分类模型,最后通过融合多个样本的预测结果对测试数据的P300信号进行识别。结果表明,相比单样本SVM算法该方法对检测数据有较高的分类准确率,能够成为P300脑电信号预测的较好方法,具有应用前景。     

基于小波变换共空间模式的脑电信号解码

针对运动想象脑电信号实现任务少、识别准确率低等问题,提出了一种基于小波包分解的共空间模式脑电信号特征提取方法。该方法通过长短期记忆网络进行脑电信号解码,采用独立成分分析的方法将运动想象信号进行盲源分离,采用小波包分解方法将每个通道脑电信号按频率分为8组。计算每组信号的功率值,采用递归特性消除方法去除对分类不重要的10个节点特征,将被选择的节点信号采用1对1共空间模式提取空域特征,将特征矩阵输入长短期记忆网络进行脑电信号解码,得到4类运动想象信号分类结果。采用本文方法对公开的脑机接口竞赛数据集(包括左手想象信号、右手想象信号、舌头想象信号、双脚想象信号)前3位受试者数据进行验证,结果表明：本文方法的识别准确率分别为90.28%、94.25%、96.55%,平均识别准确率达到93.69%。与其他方法对比,本文方法识别准确率较高。用识别的脑电信号作为解码控制信号,控制虚拟太空环境中的空间机械臂顺时针或逆时针运动,达到抓取空间中目标物体的目的。     

基于改进CSSD的脑电信号特征提取方法

针对脑-机接口系统在训练样本较少的情况下,存在脑电(EEG)信号特征值稳定性低、特征向量区分度差等不足,提出一种脑电特征提取方法,即正则化共空域子空间分解法(R-CSSD).该方法在传统共空域子空间分解(CSSD)算法的基础上引入正则化思想,通过正则化参数将目标实验者的训练数据与其他实验者(称为辅助实验者)的同类型训练数据进行有效结合,以构造正则化空间滤波器,完成对目标实验者运动想象EEG信号的特征提取,并进一步选用K近邻(KNN)算法实现脑电数据的分类.实验结果表明:在小训练样本情况下,R-CSSD方法有效提高了脑电信号特征值的稳定性,在提高分类正确率、降低时间消耗方面具有良好的性能.     

运动想象机制研究

运动想象已被广泛地应用在BCI系统上。传统对脑电信号分析主要集中在特征提取和分类上,本文分别从左右想象脑电信号的频域、时域和脑地形图上进行分析,从而获取左右想象脑电信号的特征。     

堆叠稀疏降噪自编码的脑电信号识别

该文以深度学习中的自动编码机为基础,对原始输入向量加入噪声处理,隐含层加入稀疏限制,再将单一的网络结构堆叠成深层神经网络,提出改进算法——堆叠稀疏降噪自动编码机。通过在两个不同数据集（实验室采集数据集和2005年BCI竞赛数据集IVa）进行对比实验,结果表明该算法在运动想象脑电信号的特征提取上具有更强的学习能力和鲁棒性。     

基于半监督学习的脑电信号特征提取及识别

针对有监督学习容易造成未标记样本的浪费和手动特征提取容易导致信息丢失的问题,提出一种基于深层堆叠网络（DSN）的半监督特征学习方法,无监督特征学习的过程由多个受限玻尔兹曼机（RBM）的并行训练完成,将训练得到的参数用于DSN的输入权值初始化,再采用批量模式的梯度下降法进行监督微调。将所提方法用于运动想象脑电信号特征提取及识别,实验结果表明本文方法能够充分利用未标记样本中的隐含信息,有效提取脑电信号特征,识别结果优于共同空间模式（CSP）和深度信念网络（DBN）等算法,该方法可用于提高BCI系统中脑电信号的识别准确率。     

基于AdaBoost的脑机接口分类算法研究

依据AdaBoost思想对BP神经网络、线性判别式以及支撑向量机三种传统分类器进行强化训练形成强分类器。在传统训练的基础上,根据分类器的映射特点选择相应的预处理方法和权值分布函数,降低分类器对数据特点的依赖性,提高AdaBoost的训练效果。对基于左右手运动想象的实际脑电数据进行模式分类,发现采用该思想训练的强分类器能不同程度地提高分类效果。该算法具有一定的推广意义,也证实了AdaBoost算法在脑机接口技术开发中的应用潜力。     

基于广义微状态的运动想象分类研究

该文根据传统微状态的概念,提出了一种广义微状态定义,并基于该定义实现了一种多分类运动想象任务特征提取算法。该文使用实验室2分类数据和2008年国际脑机接口竞赛4分类数据集对提出的特征提取算法进行了测试。对2分类数据特征用最小夹角算法分类,准确率最高达到95.56%;对多分类数据特征用SVM算法分类,效果稳定,其中竞赛数据4分类kappa分析结果接近2008年竞赛获胜者水平,测试结果验证了算法的有效性。     

脑机接口中基于BISVM的EEG分类

针对脑电信号(EEG)分类问题,提出基于批处理增量式支持向量机(BISVM)的分类方法.将所有数据通过批处理进行分组,采用第1组数据在SVM中建立初始分类器模型,将剩余组内数据顺序作为新增样本,对满足卡罗需-库恩-塔克(KKT)条件的样本进行增量学习和减量去学习,不断判断KKT条件并更新参数,丢弃错误样本,对初始分类器模型进行更新.对2008年脑机接口竞赛数据及本实验室采集数据,用小波包分解(WPD)结合共空间模式(CSP)进行特征提取,SVM、ISVM及BISVM分类.结果表明,BISVM的平均分类准确率相对SVM及ISVM分别提高了3.3%及0.3%,BISVM平均训练时间相对ISVM从1.076 s减少到0.793 s.BISVM为改善计算机对大脑的适应性,实现快速实时在线的脑机接口系统奠定基础.     

基于小波包法与CSSD的P300特征提取方法

针对P300电位信号微弱、抗干扰能力差、识别率低等问题,提出一种小波包变换(wavelet packet transform,WPT)与共空域子空间分解法(spatial subspace decomposition,CSSD)相结合的特征提取方法,即WPCSSD法.首先,对脑电信号进行叠加平均以提高信号的信噪比;其次,使用小波包法对脑电信号进行滤波,并依据P300电位的有效时频信息重构脑电信号;然后,求取其AR模型功率谱,并基于CSSD法构造空间滤波器,获得能体现P300电位时-频-空特征的特征向量;最后,以支持向量机为分类器进行分类.实验结果表明:本方法具有较强的抗干扰能力和自适应能力,在国际BCI竞赛数据集上获得了95.22%的分类正确率,证明了本方法的正确性和有效性.