混合脑机接口的研究进展

传统的脑机接口（Brain Computer Interface,BCI）有许多不足,如基于运动想象的BCI需要受试者进行大量练习;基于P300位的BCI需要多次重复闪烁;基于SSVEP的BCI上的控制命令数量受刺激频率及其他因素影响.为此,研究人员提出了混合脑机接口（hybrid Brian Computer Interface,hBCI）.本文主要讨论了hBCI的研究进展,综述了常见的三种hBCI类型,分别是基于多种大脑模式的hBCI、基于多种感官刺激的hBCI、基于多种信号的hBCI,通过分析最新的hBCI系统的一般原理、刺激范式、实验结果、优点和应用,发现利用hBCI技术可以提高BCI的分类准确率,增加控制命令的数量,明显优于单一模态的BCI.     

混合脑机接口及其研究进展

脑机接口（brain-computer interface,BCI）技术作为一项新兴且发展潜力巨大的技术,已成为国际研究热点。但面向实际应用,现有BCI技术仍面临许多有待解决的问题,如基于稳态视觉诱发（SSVEP）的BCI技术控制命令数有限,基于运动想象（motor imagery,MI）的BCI存在诱发生理信号空间分辨率低、训练时间长等问题。研究表明,混合脑机接口（hybrid brain-computer interface,HBCI）相比于传统单模态BCI系统,在系统准确率、稳定性方面均有所提升。文章对HBCI进行了介绍,从基于多脑电模式的混合脑机接口、基于多种刺激诱发的混合脑机接口、基于多模态信号的混合脑机接口这三个类别分别对HBCI的研究进展进行阐述,并对HBCI关键技术、需要解决的问题及应用方向进行了概述。     

用于脑-机接口P300实验的支持向量机分类方法

脑-机接口(BCI)技术利用脑电来实现无动作的人机交互.P300字符拼写范式是利用脑电信号实现文字选择输入的一种重要BCI实验范式,它通过对EEG中的P300信号的检测和识别,来推断试验对象(被试)对字母的注意选择.以2005年脑一机接口竞赛中的一组P300字符拼写实验数据为处理对象,采用支持向量机(SVM)的机器学习方法进行算法设计,对信号通道进行了筛选,并采用较少的EEG通道数据进行处理.另外,通过调整参与训练的数据集大小,扩大了v-SVM中参数v的取值范围,更有利于分类器设计.通过上述策略,提高了该BCI实验范式中的系统总体分类精度.上述方法对于测试集字符最佳识别正确率可达到89%,相比于我们参加该届竞赛时所用的线性分类器(LDA),字符识别正确率提高了3%.     

脑-机接口中基于相似关系的MRPs双滤波特征提取算法

针对基于EEG的脑-机接口(BCI)实验数据分布不明朗的特点,双滤波模式(DFP)算法利用样本模式相似性来优化BCI的分类特征——运动相关电位(MPPs) 特征的空间(即电极位置)和时间投影方向,使得映射后异类样本模式差异性与同类相似性的比值最大化。该算法考虑MRPs特征对时间、空间的敏感性,并以自适应的方式挖掘它们适合分类的信息;优化时不需要进行样本数据分布假设,符合BCI数据特点。最后,DFP算法对BCI competition I、II两组数据进行实验,识别效果均高于相关比赛的最好成绩,这表明DFP算法能有效提取MRPs特征。     

基于运动想象的脑电信号特征提取研究

基于运动想象脑电信号的脑-机接口系统在医疗领域具有广阔的应用前景,被应用于运动障碍人士的辅助控制以及脑卒的预后康复。由于运动想象的脑电信号信噪比低、不平稳以及差异性显著,对脑电信号识别带来负面影响。一个有效的特征提取算法能够提高脑-机系统的脑电信号识别率。提出一种多通道的脑电信号特征提取方法,将数据矩阵分解为基矩阵与系数矩阵的乘积,以类间离散度做为性能判据对系数矩阵进行特征提取,提取可分性更高、维数更少的特征。结合脑电信号识别领域常见的分类器在2008年BCI竞赛数据集上进行验证,证明所提方法是有效的。     

基于脑机接口的控制器

为实现大脑与设备的通讯,研究基于脑机接口的控制器．本文研究脑电信号（EEG）的特征提取,实验通过E．Prime心理学软件结合Neuroscan公司生产的64导脑电采集设备获取脑电原始信号,利用小波算法对原始脑电信号进行分析,提取感兴趣的频段小波系数作为特征;分析脑电信号的功率谱,基于Fisher准则设计分类器．本文在研究脑机接口（Brine．ComputerInterface,BCI）的基础上通过想象实现了对运动的控制．以轮椅为实际控制对象,仅仅通过两个电极采集脑电信号,设计制作了控制器,理论验证实验成功的通过想象控制轮椅的四个方向的运动．本文最后还探讨了脑机接口的应用前景．     

多类运动想象脑电信号的两级特征提取方法

共同空间模式（Common spatial pattern,CSP）是运动想象脑机接口（Brain-computer interface,BCI）中常用的特征提取方法,但对多类任务的分类正确率却明显低于两类任务.通过引入堆叠降噪自动编码器（Stacked denoising autoencoders,SDA）,提出了一种多类运动想象脑电信号（Electroencephalogram,EEG）的两级特征提取方法.首先利用一对多CSP（One versus rest CSP,OVR-CSP）将脑电信号变换到使信号方差区别最大的低维空间,然后通过SDA网络提取其中可以更好表达类别属性的高层抽象特征,最后使用Softmax分类器进行分类.在对BCI竞赛IV中Data-sets 2a的4类运动想象任务进行的分类实验中,平均Kappa系数达到0.69,表明了所提出的特征提取方法的有效性和鲁棒性.     

多模态脑机接口游戏系统的设计与应用

在脑机接口应用中,游戏是其中一个重要的应用方向。脑机接口通过所包含的精神和情感的状态信息能够丰富游戏的趣味性,游戏反过来会推广脑机接口技术的应用。提出并实现了多人脑机接口扫雷游戏系统,该系统是采用玩家在想象运动和P300刺激时的脑电信号作为扫雷光标的控制信号,从而实现将运动想象和P300电位这两种模态的结合并应用到扫雷游戏中。详细介绍了整个游戏系统的实现过程,并提供了八名玩家的实测结果。实验结果表明这两种模态结合应用在游戏中的可行性。     

视觉P300脑机接口中的SOA扰动现象

异步操控性是脑机接口走向实际应用的关键技术之一.其关键点在于寻找一种可有效区分脑机接口工作状态和空闲状态的指标.建立了针对P300脑机接口的刺激起始异步(SOA)扰动模型,在仿真实验和实测数据中观察到SOA扰动谱线,并根据所提出的模型给出了合理解释.研究了SOA扰动的频域特性,结果表明,当SOA位于220 ms附近时,SOA扰动的强度最大,而当SOA低于150 ms时,SOA扰动强度将急剧减小.同时SOA扰动所具有的锁相性使得可以通过时域相干平均法进一步提高信噪比.SOA扰动可作为脑机接口处于工作状态的标志,为异步脑机接口的实现提供了一种新的研究思路.     

脑-机接口研究进展

作为当前神经工程领域中最活跃的研究方向之一,脑-机接口在生物医学、神经康复和智能机器人等领域具有重要的研究意义和巨大的应用潜力.近10年来,脑-机接口技术得到了长足的进步和飞速的发展,应用领域也在逐渐扩大.在已有相关工作的基础上,介绍脑-机接口系统的主要组成部分,对各组成部分常涉及到的相关基本理论和技术作了总结和介绍,主要包括脑信号获取、脑信号预处理、特征提取、变换算法等相关技术和理论,最后对脑-机接口未来的研究方向进行了展望.     

张量时频空模式在脑电信号特征提取中的研究

为了提高脑机接口系统的分类准确率,论文对张量时频空模式分析特征提取算法进行了研究.该算法能够得到多维度上最佳分类特征,应用在模拟阅读脑-机接口脑电信号的特征提取中,与共空间模式相比,张量时频空模式能够得到更高的分类准确率.     

脑机接口系统中EEG信号特征提取与分类

脑机接口(BCI)技术是近年来国际上的研究热点之一,它通常利用脑电(EEG)来实现无动作的人机交互,运动想象是其中一种重要BCI实验范式,利用第二届国际脑机接口竞赛中的一组实验数据为处理对象,将数据经公共空间模式滤波、小波时频分解、然后采用T加权提取最后特征,并利用支持向量机进行分类器设计.实验结果表明,该算法效果较好,最终识别正确率达到89.3%.     

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。     

感知器算法在运动想象脑电模式识别中的应用

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。及时有效地提取和识别与运动想象相关的脑电模式可以帮助严重瘫痪病人控制光标或辅助运动设备以替代其受损的运动功能,建立一种与外界交流沟通的新途径。论文将以EEG(C3,C4)两个通道的mu节律能量作为特征向量,用感知器算法对左右手运动想象脑电模式进行识别,实验结果表明,正确识别率可达87.86%。由于感知器算法计算简单,故可以认为,感知器算法在脑机接口的应用中有较高的实用价值。     

一种适用于小样本问题的基于边界的特征提取算法

特征提取技术是模式识别领域进行数据降维和强化判别信息的有效方法.线性判别分析是监督特征提取方法的典型代表,获得广泛应用,但受到小样本问题的制约.对此提出一种适用于小样本问题的基于边界的特征提取算法.算法利用高维数据小样本情况下线性可分概率增加以及其低维投影趋于正态分布的特点,定义了新的类别边界,不但考虑了由线性判别分析提出的类内、类间离散度,也兼顾各类别的方差差异性.通过极大化该边界获得最优投影向量,同时避免因类内离散度矩阵奇异导致的小样本问题.进一步将算法推广到多类问题.高光谱数据特征提取与分类实验表明,算法在小样本情况下对于两类和多类问题均具有良好的推广性能,优于多种线性判别分析的改进算法,并且在样本较多时也取得了满意结果.     

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。     

数据挖掘中适用于分类的时序数据特征提取方法

特征提取在提高分类的准确性中起着非常关键的作用.对时序特征提取的方法进行归纳分类,将有利于对特征提取整体性,全面性的认识.回顾现有的时间序列中特征提取的方法,将其总结为四大类,它们分别是基于基本统计方法的特征提取、基于模型的特征提取、基于变换的特征提取、基于分形维数的特征提取.针对每一类的特征提取方法,进一步研究了它相应的分类方法和它在时间序列数据中的应用邻域.     

一种组合特征抽取的新方法

该文提出了一种基于特征级融合的特征抽取新方法，首先，给出了一种合理的特征融合策略，即利用复向量给出组合特征的表示，将特征空间从实向量空间拓广到复向量空间，然后，发展了具有统计不相关性的鉴别分析的理论，并将其用于复向量空间内最优鉴别特征的抽取，最后，在Concordia大学的CENPARMI手写体阿拉伯数字数据库以及南京理工大学NUST603HW手写汉字库上的试验结果表明，所提出的组合特征抽取方法不仅具有很强的维数压缩能力，而且较大幅度地提高了识别率。