基于TRCSP和L2范数的脑电通道选择方法

脑-机接口（BCI）系统常用高密度电极通道来获取较高空间分辨率的脑电（EEG）信号，但同时也会引入过多的噪声通道，影响脑电的解码性能。为了消除无关的噪声通道，提出了一种基于Tikhonov正则化共空间模式（TRCSP）和L2范数的运动想象脑电通道选择方法。首先基于TRCSP和分类器得到最优的空间滤波器，接着基于L2范数对空间滤波器得到的各通道的权重值进行排序。选择前K个通道的数据进行CSP特征提取，根据分类器的分类准确率确定最优K值，进而得到最优的通道数和通道组合。在实验中，使用6种分类器分别在BCI竞赛III（2005）数据集IVa和实验室自采集数据上验证所提出的通道选择方法的有效性。所提出的方法在两个数据集上的平均分类准确率分别达到了87.57%和74.32%，优于其它现有的方法。     

基于单形进化算法优化支持向量机的运动想象脑电分类研究

由于支持向量机(support vector machine,SVM)优化算法存在易陷入局部最优解、控制参数较多的问题,提出一种基于单形进化(surface-simplex swarm evolution,SSSE)算法优化的SVM并对运动想象(motor imagery,MI)脑电信号的分类进行了研究.提取MI脑电信号模糊熵和AR(auto regressive)模型参数作为输入特征,然后将SSSE应用在SVM的参数寻优中,实现对MI脑电信号的分类.测试实验中,对2003国际BCI竞赛Data set Ⅲ和2008国际BCI竞赛Data sets 2b进行左右手分类,结果表明,所提方法的平均分类正确率和Kappa值分别为82.47％和0.88,单形进化算法减少了控制参数且有效避免粒子陷入局部最优,验证了该方法在MI脑电信号分类的有效性.     

小波变换的自发脑电信号特征提取

针对脑机接口(BCI)研究中2种思维任务的特征抽取和分类,提出采用小波变换后具有较高分类能力的部分分解系数,并以Fisher距离作为特征可分离能力的度量。选择具有较大可分离性的系数均值及子空间能量作为有效特征,组成所有待分析通道的特征形成特征向量。利用BCI 2005竞赛数据,分析了该方法的实验背景和理论依据,并将分类精度与竞赛的最好结果进行了比较,表明了所提出方法运用在实际系统中的有效性和优越性。     

基于功能性近红外光谱识别步行想象研究

脑机接口是一种变革型的人机交互,基于脑电的脑机接口占到研究的大多数,而基于功能性近红外光谱(fNIRS)的脑机接口以其特有的优势开始受到研究者重视。本研究利用fNIRS测量了15名被试在步行想象和空闲状态期间的氧合血红蛋白(HbO)浓度,对HbO信号进行带通滤波和基线漂移矫正。然后提取HbO的均值、峰值和均方根及其组合作为分类特征,最后采用SVM、KNN和LDA进行分类,并测试了任务期间不同时间窗的分类性能。实验结果表明,采用SVM提取3种组合特征的分类准确率明显高于其他特征及分类器,达到了90.37±4.42%;2~8 s时间窗比其他时间窗的分类准确率更高。所提研究有望为步行功能障碍患者提供一种新的可选的主动康复训练方法。     

基于皮层慢电位的自发脑电实验设计与研究j

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,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。     

基于皮层慢电位的自发脑电实验设计与研究

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,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.     

自发脑电信号的支持向量机分类算法

针对自发脑电信号的特征分类,将基于支持向量机(SVM)的算法应用于脑机接口(BCI)系统,提出一种基于自适应遗传算法优化SVM模型参数的脑电信号分类算法,获得最佳的分类性能。以基于小波包分解得到的系数均值和子空间能量作为特征向量,利用BCI 2005data setⅢb标准数据分析了该方法的实验背景和理论依据,并与基于经验SVM的分类结果、基于普通遗传算法优化SVM参数的分类结果、基于概率神经网络的分类结果以及竞赛的最好精度进行了比较,表明所提出方法运用在实际系统中的有效性和优越性。     

ASMI-BCI 特征调制及分类性能研究

基于运动想象(MI)的脑-机接口(BCI)近年来被应用于肢体运动功能的可塑性康复。采用视觉辅助刺激可以有效增强MI-BCI系统的分类性能,但视觉障碍患者无法使用。因此本文设计了基于听觉辅助刺激的ASMI-BCI,发现动态声音辅助刺激可以提高大脑运动相关皮层的兴奋性,增强系统的可分性特征。10名在校大学生(5男5女,平均22.6岁)3类实验范式(C-SW、C-DA、C-DV)的平均结果表明,C-SW范式分类正确率最低、C-DA次之、C-DV范式正确率最高。听觉辅助刺激范式的最优分类正确率可达76.03%,相比传统MI-BCI范式显著性提升了8.83%,且60%的被试使用该范式的分类正确率可高于70%。使用动态听觉辅助刺激范式可以为视觉障碍患者提供一种特征调制和BCI性能增强的新模式、新方法。     

基于视听交互刺激的认知机理与脑机接口范式研究进展

与人类视听觉感知密切相关的图像、语音和文本(语言)信息在社会经济发展与国家安全保障等领域中扮演着重要角色,脑机接口(BCI)是无需外围神经肌肉便可操控外部设备、使"思想"直接变成"行动"的创新技术,基于视、听觉刺激的BCI系统具有极其广阔应用前景。目前认知心理学研究普遍认为视听交互刺激模式可产生比视或听单模态刺激更强的事件相关电位信号,因而可使识别大脑思维模式的正确率更高和响应速度更快,然而BCI研究至今尚难有充分验证其优势的成果。分别从认知心理机制和BCI实验范式两方面综述了视听交互刺激的信息整合机制、视听刺激之间的协同与竞争关系、匹配度对刺激效果的影响及相关BCI实验范式的研究现状;深入分析了视听交互刺激范式未在现有BCI系统中体现其优越性的原因;最后从BCI实验范式选择、系统硬件性能改进、脑电信号处理等方面提出了改进思路并展望了基于视听交互刺激BCI范式研究未来动向。     

基于运动想象的脑电信号功率谱估计

介绍了运动想象下产生的脑电信号的事件相关同步与去同步,功率谱估计下经典功率谱和现代功率谱的基本方法,重点分析了周期图法、平滑平均周期图法、AR模型Yule-Walker法3种功率谱估计的原理和特点,并在MATLAB中分别对运动想象产生的脑电信号进行处理,通过比较C3、C4通道在8～13Hz处的事件相关同步/去同步现象,总结各自优缺点,为脑机接口实际应用中的合理选择提供了理论依据。     

基于MTACNet网络的运动想象脑电分类

为了更好地利用到脑电信号中的相关特征，改善运动想象脑电的分类性能，构建了一种基于混合特征和并行多尺度TCN模块的多层卷积网络（MTACNet）。首先，搭建基于混合特征的多层卷积神经网络，并在其中嵌入高效通道注意力机制，选取PReLU作为激活函数，以提取脑电信号中的时域和空域信息；然后对TCN模块进行改进，构建并行多尺度时域特征提取模块，接入多层卷积网络，进一步挖掘不同时间尺度的特征信息。在公开数据集BCI_IV_2a和自采数据集SCU_MI_EEG上进行测试，平均分类准确率分别为8615%、7710%，标准差分别为917%、1358%。并且针对自采数据集，设计了一种融合多频域脑电信号进行三通道输入的预处理方法，经过预处理后使平均分类准确率提升了329%。实验结果表明，与其他方法相比，本文所构建的分类网络取得了较为不错的分类效果，所设计的预处理方法能够降低复杂环境和无关干扰因素对分类结果的影响。     

脑电 BCI 系统的软硬件开发平台发展现状

脑-机接口系统(brain-computer interface,BCI)是一种将大脑活动信息直接转换为人工输出的系统,允许用户通过思维 活动直接控制外部设备。 脑电图技术(electroencephalogram,EEG)可以实时获取大脑活动产生的神经生理电信息,具有无创、低 廉、高时间分辨率等优点,是 BCI 获取大脑活动信息的主流方式之一。 脑电 BCI 系统具有脑电信号采集、处理和输出结果的功 能,能够诱发特征脑电,并控制外部设备,在康复、医疗诊断和神经科学研究等领域具有巨大的应用价值。 随着脑电 BCI 系统应 用需求不断增加,确保其快速高效地部署和应用的技术越来越重要。 结合近些年脑电 BCI 系统研究和应用,综合论述目前用于 开发脑电采集和编解码的硬件和软件平台的技术,分析归纳其当前现状与未来趋势,以促进开发脑电 BCI 系统软硬件平台的有 效发展。     

基于小波包和深度信念网络的脑电特征提取方法

针对运动想象脑电信号(motor imagery electroencephalography,MI-EEG)的时变性、个体差异性等特点,提出一种将小波包变换(wavelet packet transform,WPT)与深度信念网络(deep belief networks,DBN)相结合的脑电特征自动提取方法,记为WD法。首先,利用平均功率谱方法对MI-EEG进行时域分析,选取有效的时序段。其次,使用WPT对有效时域段的各导MI-EEG进行时频分解,并选取与想象任务相关的频段信息重构脑电信号;然后,将各导重构MI-EEG串接,并将其瞬时功率信号输入给DBN模型实现特征自动提取。最后,利用Softmax分类器完成脑电想象任务的模式分类。在DBN模型训练中通过增加Dropout训练技巧来解决因训练数据少等引起的过拟合问题,以提高分类结果。利用BCI标准竞赛数据库进行实验研究,5-折交叉验证法取得了94.06%的分类准确率,证明该方法能够充分利用脑电的神经生理学特点,自适应地提取个性化的深层脑电特征,有利于改善分类效果。     

基于虚拟现实环境的脑机接口技术研究进展

将脑-机接口(brain-computer interface,BCI)技术与虚拟现实(virtual reality,VR)相结合构成基于虚拟现实的脑-机接口(BCI-VR)新技术是最近在多媒体和娱乐领域出现的一种BCI应用新模式。BCI-VR兼取两者优势互补,同时又相互促进创新,显示出广阔应用前景。本文从BCI-VR系统基本构成、BCI对VR控制和VR对BCI影响等方面,较详细介绍了近年来BCI-VR的主要研究方法、研究进展和成就,并根据作者体会小结了目前存在的难点与未来的可能发展动向,以与读者交流、共同促进BCI-VR新技术的快速发展。     

基于脑电两节律和 BP 神经网络的运动想象分类研究

针对脑电信号(EEG)分类过程中无效数据影响准确度的问题,提出一种数据筛选的方法。基于脑-机接口(BCI)系统,通过视觉诱发刺激产生左向和右向两种运动想象任务对应的脑电信号,提取该信号的统计特征,并利用BP神经网络实现运动想象分类识别。在数据处理过程中,首先利用β节律的能量特征对无效数据进行剔除,再结合μ节律信号的均值、标准差、能量谱、功率谱、自相关函数等多个特征进行分类。对筛选后的数据进行分析,所得特征更具代表性,信号分类的准确率由78.25%提高至84.11%。     

α波和运动想象的混合范式脑-机接口系统

提出将α波和运动想象2种范式以串行的方式相结合控制的脑-机接口系统,该系统利用α波的阻断现象控制状态选择,选择成功后发出提示音,被试听到提示音后,通过左右手运动想象来完成多个任务。通过这样的混合范式有效的实现了较少种类的脑电信号对外部设备的多任务控制。实验结果表明,5名被试都能顺利完成外部设备的多任务控制,平均正确率为77%,最高正确率可达90%。本系统实现了混合范式下的脑电信号对外部设备的多任务控制,为进一步开发复杂的混合范式的脑-机接口系统奠定基础。     

视觉激励调制对脑电信号识别的影响研究

针对不同的视觉激励调制方式导致某些被试分类准确率较低的问题,本文设计了4种频率的4种波形激励诱发范式,并首次提出倒锯齿波激励范式。实验采集了8名被试的脑电信号并通过提取频率能量特征及分类发现不同激励对被试的准确率产生不同的影响。在此基础上,选择诱发被试最高能量的波形组成定制范式,并与各被试的其余范式进行平均分类准确率对比。结果表明,首次提出的倒锯齿波的激励效果要好于传统激励范式,同时,定制范式相比于单一波形激励的平均准确率提高了3%～12%。因此,倒锯齿波及定制视觉激励范式可以提高SSVEP-BCI系统的性能。     

基于多域信息融合的脑电情感识别研究

脑电信号识别方法较少将空间、时间和频率信息相融合,为了充分挖掘脑电信号包含的丰富信息,本文提出一种多域信息融合的脑电情感识别方法。该方法利用二维卷积神经网络和一维卷积神经网络相结合的并行卷积神经网络(PCNN)模型学习脑电信号的空间、时间和频率特征,来对人类情感状态进行分类。其中,2D-CNN用于挖掘相邻EEG通道间的空间和频率信息,1D-CNN用于挖掘EEG的时间和频率信息。最后,将两个并行卷积模块提取的信息融合进行情感识别。在数据集SEED上的情感三分类实验结果表明,融合空间、时间、频率特征的PCNN整体分类准确率达到了98.04%,与只提取空频信息的2D-CNN和提取时频信息的1D-CNN相比,准确率分别提高了1.97%和0.60%。并于最近的类似工作相比,本文提出的方法对于脑电情感分类具有一定的优越性。     

基于 P300 与 ErrP 决策融合的脑-机接口目标检测方法

针对脑-机接口(BCI)技术在目标检测中的应用仍然存在检测准确率受限的问题,提出基于事件相关电位(ERP)中的 P300 与错误相关电位(ErrP)决策融合的新型编解码方法。 BCI 系统编码方面通过目标图像和视觉反馈分别诱发 P300 与 ErrP 特征,解码方面采用单独 P300 特征、单独 ErrP 特征、P300 与 ErrP 特征层融合、P300 与 ErrP 决策层融合这 4 种方案进行目标检 测。 10 名健康受试者 4 种方案进行目标检测的平均结果显示,使用 P300 与 ErrP 决策层融合的平衡正确率最高,达到 80. 03%± 5. 20%,相比单独使用 P300 特征的方法提升了 4. 38%,相比单独使用 ErrP 特征的方法提升了 11. 29%,验证了混合 BCI 技术在 目标检测任务中的可行性。     

基于LDA和KNN的下肢运动想象脑电信号分类研究

基于运动想象的脑—机接口系统(motor imagery brain computer interface,MI-BCI)是一种新兴的康复治疗手段.如何提高MI-BCI的识别准确率,是目前研究中的热点和难点.针对左、右脚的运动想象脑电信号进行分类研究,分别采集了单纯运动想象和含有电刺激辅助范式中的运动想象脑电信号,使用...