基于ELM运动想象脑电信号的分类

针对运动想象脑电信号的分类识别,提出一种基于小波变换和共空间模式滤波的方法进行特征提取。对EEG进行3层小波分解,提取相关层数小波系数的特征量;同时利用共空间模式对EEG进行空间滤波,提取其转换后信号的方差作为特征量,并将这两类特征量进行组合。该方法结合了时频域和空间域的特征信息,可提高分类识别的效果。最后选取BCI2003中Data setⅢ数据作为样本,分别用极限学习机和基于粒子群算法的支持向量机进行分类识别。实验结果表明极限学习机分类学习时间较快,最优识别率为94.2857%,证明了该方法更适用于脑机接口系统。     

免疫多域特征融合的多核学习SVM运动想象脑电信号分类

针对多通道四类运动想象(Motor imagery, MI)脑电信号(Electroencephalography, EEG)的分类问题, 提出免疫多域特征融合的多核学习SVM (Support vector machine)运动想象脑电信号分类算法.首先, 通过离散小波变换(Discrete wavelet transform, DWT)提取脑电信号的时频域特征, 并利用一对多公共空间模式(One versus the rest common spatial patterns, OVR-CSP)提取脑电信号的空域特征, 融合时频空域特征形成特征向量.其次, 利用多核学习支持向量机(Multiple kernel learning support vector machine, MKL-SVM)对提取的特征向量进行分类.最后, 利用免疫遗传算法(Immune genetic algorithm, IGA)对模型的相关参数进行优化, 得到识别率更高的脑电信号分类模型.采用BCI2005desc-Ⅲa数据集进行实验验证, 对比结果表明, 本文所提出的分类模型有效地解决了传统单域特征提取算法特征单一、信息描述不足的问题, 更准确地表达了不同受试者个性化的多域特征, 取得了94.21%的识别率, 优于使用相同数据集的其他方法.     

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。     

运动想象脑电信号特征提取与分类算法研究

针对运动想象脑电信号特征提取困难,分类正确率低的问题,提出了利用小波熵进行特征提取并采用支持向量机（SVM）来分类的算法。计算运动想象脑电信号的功率,通过理论分析选择小波包尺度,对信号功率进行小波包分解并计算其小波包熵（WPE）,提取C3、C4导联的小波包熵插值组成特征向量,将特征向量作为分类器的输入送入支持向量机进行分类。采用国际BCI竞赛2003中的Graz数据进行验证,算法的最高分类正确率达97.56%。算法特征向量维数低、数据量小、分类正确率高,对运动想象脑电信号特征提取及分类的任务可以提供参考方法。     

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。     

支持向量机在脑电信号分类中的应用

首先采用小波变换提取精神分裂症与健康人的脑电信号频率和空间的能量特征,然后用基于统计学习理论的支持向量机(SVM)分类器进行训练和分类测试,并比较了不同核函数和参数对脑电信号分类正确率的影响,最后与RBF神经网络的分类能力进行了实验比较。试验结果表明,利用基于支持向量机和能量特征的方法实现对脑电信号的分类可以取得理想的效果,精神分裂症患者和健康人的16导脑电信号在能量特征上表现出较高的模式可分性。这种分类方法在精神分裂症患者的病理诊断中具有一定的应用价值。     

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。     

融合运动想象脑电与眼电信号的机械臂控制系统开发

脑机接口(brain computer interface, BCI)旨在通过脑电信号与外部设备通信,以实现对外部设备的控制。针对目前脑机接口系统中混合多种复杂生理电信号,并且输出控制指令较少的问题,本文提出融合运动想象(motor imagery, MI)脑电与眼电信号方法扩充控制指令的轻量级机械臂控制系统。该系统分阶段融合脑电和眼电信号两种生物信号,使用双次眼电作为任务开关,运动想象脑电信号控制机械臂运动,单次眼电控制阶段切换,实现了二分类运动想象生成多种控制指令,完成了对机械臂的连续控制。其中运动想象脑电信号使用提升小波变换(lifting wavelet transform, LWT)和共空间模式(common spatial pattern, CSP)结合的方法提取特征,并采用支持向量机(support vector machines, SVM)进行分类;眼电信号通过分析无意识眼电和有意识眼电的峰值来设置阈值进行区分。为了验证系统的可行性,设计了一项脑控机械臂自主服药实验,通过在线实验测试,被试通过使用脑电信号和眼电信号实现了机械臂控制,并完成了服药流程,有利于进一步推广脑机接口技术的实际应用。     

脑电信号多维特征融合与分类算法研究

针对目前运动想象脑电信号特征提取单一,分类识别准确率低等现象,结合卷积神经网络分类器,提出了一种多维度特征加权融合的特征融合算法来提高运动想象脑电识别率。对预处理后的脑电信号进行小波包变换,提取其共空间特征、能量特征、边际谱熵特征以及非线性动力学特征,然后加权融合,使用卷积神经网络分类器分类。为验证算法的合理性,使用BCI-IV Dataset 2a数据集对提出的特征融合算法进行验证分析,结果表明,所提出的加权特征融合算法结合CNN分类器可以有效提高运动想象识别准确率。实验中,9位志愿者平均分类准确率达到75.88%,平均Kappa系数为0.70。     

基于小波包最优基的运动想象EEG自适应特征提取方法

针对运动想象脑机接口系统存在分类正确率低、自适应能力差等不足,提出一种基于小波包最优基的自适应特征提取方法;该方法首先对运动想象EEG进行小波包分解;其次,对传统的距离准则进行改进,通过引入权重因子表征对类内距离和类间距离的关注程度,获得一种既可满足小波包最优基评价准则的可加性条件,又有效地增强了频带特征信息的可分离性的评价准则;进而,采用自底向顶、自左至右的快速搜索策略获取小波包最优基,并选取最优基对应的分类性能评价值较高的部分频带小波包系数构成分类特征;仿真结果表明本方法最高分类正确率可达93.4%,与常用的时频分析方法对比,验证了本算法具有较高的分类正确率和较小的时间花费。     

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。     

基于脑电BCI的研究综述

一直以来脑研究都是国内外的研究热点,脑机接口（Brain Computer Interface, BCI）则是脑研究中的重要内容之一。正因为如此,越来越多的国内外研究者开始从事BCI的相关研究,并取得了诸多优秀成果。该文从BCI信号角度入手,总结了近年来基于脑电BCI的典型系统、相关分析方法及研究成果,并具体分析了其中存在的不足之处。     

基于人工蜂群优化高斯过程的运动想象脑电信号分类

针对传统的高斯过程采用共轭梯度法确定超参数时对初值有较强依赖性且易陷入局部最优的问题,提出了一种基于人工蜂群优化的高斯过程分类方法,用于脑电信号的模式识别.首先,构建高斯过程模型,选择合适的核函数且确定待优化的参数.然后,选取识别错误率的倒数为适应度函数,使用人工蜂群算法搜索寻找出限定范围内可以取得最优准确率的超参数.最后,采用参数优化后的高斯过程分类器对样本分类.分别采用2008年竞赛数据集BCI Competition Ⅳ Data Set 1和2005年数据集BCI Competition Ⅲ Data Set Ⅳa对所提方法进行验证,并与支持向量机(SVM)、人工蜂群优化的支持向量机(ABC-SVM)、高斯过程分类(GPC)方法进行比较,实验结果表明了所提方法的有效性.     

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mu节律能量的运动意识分类研究

基于脑电(EEG)的脑机接口(BCI)是在人脑和计算机或其它电子设备之间建立不依赖于常规大脑信息输出通路(外周神经和肌肉组织)的全新对外信息交流和控制技术。文中提出了基于mu节律能量为脑电特征的意识任务分类思想,对被测试者想象左右手运动的脑电mu节律能量(二阶矩)及其动态变化情况进行研究。实验结果表明,基于mu节律能量的想象左右手运动意识识别和分类的正确识别率可达85%。二阶矩计算简单,而且可在线计算,故可以认为,基于mu节律能量为脑电特征的意识任务分类在脑机接口的应用中有较高的实用价值。     

基于分数阶傅里叶变换的运动脑电信号分类方法

运动想象脑电信号作为一种典型的非线性、非平稳信号,在传统基于单一特征提取的分类方法中难以取得理想的分类性能。针对该问题,将分数阶傅里叶变换(Fractional Fourier Transform, FrFT)引入到脑电信号特征提取过程中。首先利用FrFT对信号进行分析,在扩展特征域的同时从不同维度提取信号中的有用信息并构成特征向量,然后利用支持向量机(Support Vector Machine, SVM)分类器对所提取的特征向量进行分类,最后采用Graz数据开展实验。实验结果表明所提方法能够获得高达92.57%的正确分类结果,明显高于传统采用单一特征提取的分类方法。