左右手运动想象脑电模式识别研究

如何提高左右手运动想象脑电信号的分类率是脑机接口研究领域的一个热点话题。基于美国EGI64导脑电采集系统得到3名健康被试的脑电数据,首先,采用独立成分分析（Independent Component Analysis,ICA）对采集的数据进行去噪处理;然后,利用离散小波变换方法对分解C3/C4处的EEG平均功率信号,选用尺度6上逼近系数A6的重构信号作为脑电特征信号;最后,用Fisher线性判别分析法（Fisher Linear Discriminant Analysis,FLDA）、支持向量机方法 （Support Vector Machines,SVM）和极限学习机分类方法 （Extreme Learning Machine,ELM）分别对特征信号进行分类。分类结果表明：极限学习机分类方法得出的平均分类率要高于Fisher方法与SVM方法的平均分类率,可以达到92%,而且运行速度也高于另两种分类算法。     

基于GA-BP网络的脑电与心电融合疲劳识别算法研究

针对脑电信息在识别疲劳时不能完全反应疲劳状态和传统BP神经网络识别率低的问题,提出了一种基于改进GA-BP神经网络的脑电信号与心电信号融合的疲劳识别算法,运用到单兵精神疲劳状态的预测.首先,利用无线数据采集装置进行脑电和心电的数据采集.然后,对生物电数据进行伪迹去除和噪声滤波的数据预处理,利用小波包变换和Pan-Tom...     

RBF神经网络在诱发脑电信号分类中的应用研究

采用RBF神经网络方法对麻醉状态下诱发脑电仿真信号进行分析,提出了一种通过基于RBF神经网络权值构造特征向量的特征提取方法,以达到提取信号特征的目的,并用BP神经网络分类器对提取的特征进行聚类,从而实现深浅麻醉状态下诱发脑电信号的分类,实验仿真结果表明了该方法的有效性．     

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.     

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.     

基于方差和深度学习的脑电信号分类算法

为了改善传统脑电信号分类不够准确且分类难度较大的问题,研究一种基于方差和深度学习的模型对脑电信号进行分类。针对脑电信号图像识别率较低的问题,采用方差对脑电信号进行特征提取,结合深度学习的一种典型方法——深度信念网络对提取数据进行训练,构建分类器,实现对脑电信号更高效的分类。实验证明,相比于SVM支持向量机、朴素贝叶斯等分类算法,该模型可以更准确地分类。     

融合小波包和神经网络的脑电信号处理方法

针对运动想象脑电信号处理中分类准确率较低的问题,提出了一种基于能量（二阶矩）小波包变换和莱文伯格-马夸特神经网络算法相结合的运动想象脑电信号处理方法.首先,利用能量方法对信号进行时域分析,选取有效的时序段;然后,使用小波包变换对所选有效时域段的各导信号进行时频分解,选取与想象任务相关的频段信息重构脑电信号特征;最后,将各导信号重构的特征串接,导入基于莱文伯格-马夸特训练算法的神经网络实现最终的任务分类.利用2个脑电信号标准竞赛数据库进行方法验证,分别取得了95.62%和90.13%的分类准确率.与近期的一些研究成果进行对比,可知该方法具有较好的分类效果.     

一种随机隐退DBN的脑电信号识别方法

针对DBN处理小样本脑电信号训练时间长且存在过拟合的问题,提出基于随机隐退的DBN算法对左右手运动想象脑电信号进行分类识别.先对原始脑电数据进行降维预处理,然后输入到随机隐退DBN模型中进行训练,得到最优参数值后进行分类识别.实验结果表明:与CSP、PCA、单一DBN网络等方法相比,基于随机隐退的DBN算法在保持较高识别率的同时,降低了对数据集的训练处理时间,证明了该方法的有效性.最后在智能轮椅平台上验证了该算法的可行性.     

基于脑电信号的高智能假手控制

提出了一种基于特定几种心理作业的脑电信号控制假手的方法。将Burg法功率谱估计用于多通道脑电信号的特征生成,使用线性神经网络进行分类,通过离线以及在线实验验证,得到3种模式较高的识别成功率。将闭眼时α节律功率的提升作为单次实验的触发,实现了对假手三自由度的控制。     

基于直方图和功率谱比值的肌电信号识别方法

仿生肌电假肢的控制依赖于表面肌电信号,其中基于表面肌电信号的肢体动作识别是关键。该文提出一种时域波幅直方图和频域功率谱比值相结合的特征提取方法,通过对两路表面肌电信号的波幅直方图分析和频谱分析,以波幅比值作为时域特征,以功率谱比值作为频域特征,通过证据理论对它们各自利用神经网络得到的分类结果进行证据累积,最终得到分类结果。实验证实了该算法的识别率高于利用单一特征参数的分类方法。     

基于改进深度学习模型C-NTM的脑电鲁棒特征学习

为了在脑电信号鲁棒特征学习中提取更多脑电抽象和深层特征,本文在卷积长短时记忆网络的基础上提出一种深度学习混合网络。采用快速傅里叶变换将多通道的脑电信号转换为一系列具有空域、时域、频域相关信息的频谱图;将改进的卷积神经网络和神经图灵机组合搭建完成深度学习混合模型卷积神经图灵机C-NTM;通过认知工作负载脑电的分类任务对改进的模型进行评估。实验结果表明:本文所提模型在相应的数据库上取得了94. 5%的准确率,优于目前在脑电分类任务中效果最好的模型。该模型能够有效地学习不同受试者之间和同一受试者不同状态时的脑电特征,实现更好的脑电鲁棒特征学习。     

基于高斯核函数支持向量机的脑电信号时频特征情感多类识别

为了找到一种综合分析方法,提高对脑电信号情感多分类识别的分类精确度,将DEAP数据库中的脑电数据采用经验模态分解的方法分解为多个本征模函数,并对本征模函数按不同的时长窗口进行分片,提取其功率谱密度作为脑电信号特征.将被试对音乐视频的情感评价指数用于生成情感分类标签,按"唤醒度"和"效价"2个维度将评价指数映射到二维情感模型中,分成4类.采用"一对一"的高斯核函数支持向量机对脑电特征进行多分类分析.实验结果表明:高斯核函数支持向量机的最高分类准确度达到90.9%(22号被试),平均分类准确度达到68.3%.高斯核函数支持向量机能有效地从脑电信号中识别出不同的情感状态;同时,对于相同刺激,不同的被试产生的情感状态不同;并且,在清醒状态下,脑电信号的高频子波对情感分类有更高的分类精确度.     

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.     

基于BAS-BP神经网络的遮盖干扰信号识别

提出一种使用天牛须搜索(beetle antennae search, BAS)算法优化反向传播(back propagation, BP)神经网络以识别遮盖干扰信号的方法。采用BAS优化BP神经网络的初始权值、阈值,以适应度函数作为评价标准,优化出最佳的权值、阈值,训练BP神经网络,得到最优BP神经网络模型,使用优化后的BP神经网络对雷达有源遮盖性干扰信号进行分类识别。选取射频噪声、噪声调幅和噪声调频3种干扰信号进行仿真,结果表明,BAS-BP神经网络和BP神经网络的均方误差分别为0.148 6和0.177 0,平均绝对值误差分别为0.219 7和0.269 3。BAS-BP神经网络和BP神经网络对3种干扰信号的平均识别率分别为0.913 7和0.882 7。BAS-BP神经网络方法能够识别干扰信号,且效果优于BP神经网络算法。     

脑-机接口中新的脑电数据分类方法

根据自发脑电的特点,将HMM-AR模型算法运用到脑电状态的分类中,证明它是一种非常有用的分析脑-机接口方法。将Laplacian filter、ICA和HMM-AR方法相结合,用想象左右手运动的BCI数据进行识别,得到了很好的分类结果,有效地区分脑电中运动与非运动两种状态。该算法能够在运动开始后1 s内检验到脑电信号的变化,从而证明了该算法在BCI的实用性,达到了良好的识别效果。     

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。     

应用于假手的肌电信号分类方法研究

高效、准确的肌电信号分类方法是实现高仿生性肌电假手控制的关键技术之一.本文对肌电假手常用的信号分类方法进行了系统研究,阐述了目前常用的七种方法的基本原理和研究现状.重点分析了基于神经网络和支持向量机的肌电信号分类方法,分别从网络类型、所采用的信号特征、识别准确率等方面对分类结果进行了比较.最后,对各种方法的优缺点及适应...     

基于EEG的驾驶疲劳识别算法及其有效性验证

为有效识别驾驶员疲劳状态,基于脑电信号(electroencephalogram,EEG)提出了一种驾驶疲劳状态识别方法.首先,以时间段划分疲劳等级,并采用主、客观测评指标对疲劳等级划分的合理性进行验证.然后,利用快速傅里叶变换对脑电信号进行分析,在此基础上选取3种频段的平均幅值和5项合成指标,通过核主元分析(kernel principal component analysis,KPCA)构建疲劳识别脑电指标,结合支持向量机(support vector machine,SVM),构建了驾驶员疲劳状态识别模型.最后,采用30名驾驶员连续驾驶2 h的脑电数据,对该模型方法进行试算.试算结果表明:疲劳状态识别正确率为79.17%~92.03%,平均正确率为84.62%,该方法可用于驾驶疲劳识别.     

基于CNN脑电信号伪迹检测与去除的EEMD方法

为了去除在脑电信号采集过程中受到的干扰,在传统方法的基础之上,提出了一种基于卷积神经网络(CNN)脑电信号伪迹检测与去除的方法。该方法通过CNN模型对脑电信号电压幅值计算后的特征进行提取,完成Softmax分类器对脑电信号的检测分类。采用EEMD算法将含噪脑电信号分解为若干个本征模式函数IMF分量,通过Hilbert特征法提取出噪声占主导的高频IMF分量,再由FastICA的方法将剩余信号分离,达到眼电伪迹的去除。实验表明,CNN方法检测准确率高达80%以上,CNN与EEMD的结合提高了脑电信号伪迹去除的有效性。     

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。