共查询到20条相似文献,搜索用时 15 毫秒
1.
基于运动想象的脑机接口可以控制外部设备,在医疗康复领域中有着重要的临床意义。为了提高运动想象脑电信号的分类准确率,提出一种松散型小波神经网络,即双树复小波变换与神经网络分开进行计算再组合。利用DTCWT对预处理后的脑电信号进行分解,计算复小波系数的多个特征值并构建特征向量,将组合后的特征向量送入神经网络中进行分类识别。实验结果表明,该算法在BCI Competition IV的数据集2a上的平均准确率为76.03%。通过与不同分类器和现有方法的比较,验证了松散型小波神经网络的有效性。 相似文献
2.
3.
4.
5.
在基于运动想象(MI)的脑机接口(BCI)中,通常采用较多通道的脑电信号(EEG)来提高分类精度,但其中会有包含与MI任务无关或冗余信息的通道,从而影响BCI的性能提升。该文针对运动想象脑电分类中的通道选择问题,提出一种采用相关性和稀疏表示对通道进行选择的方法(CSR-CS)。首先计算训练样本每个通道的皮尔逊相关系数来选择显著通道,然后提取显著通道所在区域的滤波器组共空间模式特征拼接成字典,利用由字典所得到的非零稀疏系数的个数表征每个区域的分类能力,选出显著区域所包含的显著通道作为最优通道,最后采用共空间模式和支持向量机分别进行特征提取与分类。在对BCI第3次竞赛数据集IVa和BCI第4次竞赛数据集I两个二分类MI任务的分类实验中,平均分类精度达到了88.61%和83.9%,表明所提通道选择方法的有效性和鲁棒性。 相似文献
6.
7.
8.
9.
10.
11.
脑机接口通过对运动想象脑电信号的分类识别,帮助运动神经严重受损的患者实现与外部设备的直接交互。为了提高多分类运动想象脑电信号的分类准确率,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)和长短时记忆(Long Short-Term Memory,LSTM)网络的脑电信号识别方法。首先,对原始脑电信号进行预处理,并利用快速傅里叶变换提取出相关频带的能量值;其次,对处理后的脑电信号采用一维卷积神经网络提取空间特征,再利用LSTM网络在序列上的建模能力,将空间特征组成特征序列输入到LSTM网络,提取时间特征;最后,将LSTM网络输出的特征输入到Softmax分类器,把结果分为左手、右手、舌头和脚四种类型。文中使用BCI Competition Ⅳ竞赛的数据集2a对所提的方法进行验证,实验结果表明,所提方法能够有效地提高多分类精度,分类结果的平均准确率达到90.38%。 相似文献
12.
关于脑机接口(BCI)系统中的运动想象(MI)脑信号的特征提取一直是一个难题。相较于SSVEP、AEP和P300等其他BCI模式,MI的分类准确率相对较低,缺乏有效的识别方案。本文提出了一种结合深度置信网络(Deep Belief Network,DBN)和麻雀搜索算法(Sparrow search algorithm,SSA)的特征提取和分类识别算法SSA-DBN。融合SSA与DBN的优势,可以在保持较低计算复杂度的同时,提高特征提取和分类识别的准确率。本研究首先利用完全自适应噪声集合经验模态分解(CEEMDAN)方法提取信号的固有模态函数(IMF)特征。然后,将筛选出的适合分类识别的IMF分量与希尔伯特黄变换(HHT)方法相结合,提取出不同导联时频信号的特征空间向量,并进行叠加平均。最后,将特征向量输入到SSA-DBN算法进行分类处理。为确保公平性,在验证算法性能时,选取了具有代表性的BCI Competition IV Dataset 2a数据集,同时对比了其他算法的表现,并详细说明了调参方法。为了避免过拟合问题,可以考虑使用更大规模的数据集进行测试,如PhysioNet或BCI... 相似文献
13.
近年来,随着脑机接口(Brain-Computer Interface,BCI)技术的进一步发展,对特征提取技术的鲁棒性的需求也持续增加。深度学习(Deep Learning,DL)作为多层次的神经网络模型具有从高维数据中进行特征提取并从分层表示中学习的能力,在分类识别任务领域中的表现优于手工选择特征的传统机器学习方法。深度学习模型可以自动学习高维的EEG数据集从而提取有效特征,因此基于深度学习的脑机接口成为该领域新的研究趋势。卷积神经网络(Convolution Neural Network,CNN)、深度信念网络(Deep Belief Network,DBN)和递归神经网络(Recurrent Neural Network,RNN)是深度学习中对脑电信号进行分析的三大主流算法。主要介绍了这三大主流深度学习算法的基本原理。为了探索能更好契合脑电数据特点的分类模型,还探讨了它们在BCI中集成其他方法的实际运用。 相似文献
14.
基于皮层脑电图的脑机接口系统中,由于皮层脑电信号采集难度大数据量少导致提取特征和分类准确率不理想。为此,提出重叠式加窗的共空间模式和长短期记忆(Window CSP-LSTM,WCSP-LSTM)深度神经网络结合对病例的皮层脑电进行深层次特征扩充和提取,利用全连接进行运动想象意图识别,同时用相位锁定值来构建脑功能网络分析样本的脑功能机制。所提出的算法最高识别准确率达到100%,十折交叉验证平均准确率为93.423%。通过脑网络分析表明,在执行运动想象过程中病例的顶-枕叶连接更紧密。结果表明,WCSP-LSTM算法在基于脑机接口系统的癫痫康复方面具有巨大的潜力。 相似文献
15.
脑电(EEG)是一种在临床上广泛应用的脑信息记录形式,其反映了脑活动中神经细胞放电产生的电场变化情况。脑电广泛应用于脑-机接口(BCI)系统。然而,研究表明脑电信息空间分辨率较低,这种缺陷可以综合分析多通道电极的脑电数据来弥补。为了从多通道数据中高效地获取到与运动想象任务相关的辨识特征,该文提出一种针对多通道脑电信息的卷积神经网络(MC-CNN)解码方法,先对预先选取好的多通道数据预处理后送入2维卷积神经网络(CNN)进行时间-空间特征提取,然后利用自动编码(AE)器把这些特征映射为具有辨识度的特征子空间,最后指导识别网络进行分类识别。实验结果表明,该文所提多通道空间特征提取和构建方法在运动想象脑电任务识别性能和效率上都具有较大优势。
相似文献16.
脑电(EEG)是一种在临床上广泛应用的脑信息记录形式,其反映了脑活动中神经细胞放电产生的电场变化情况.脑电广泛应用于脑-机接口(BCI)系统.然而,研究表明脑电信息空间分辨率较低,这种缺陷可以综合分析多通道电极的脑电数据来弥补.为了从多通道数据中高效地获取到与运动想象任务相关的辨识特征,该文提出一种针对多通道脑电信息的卷积神经网络(MC-CNN)解码方法,先对预先选取好的多通道数据预处理后送入2维卷积神经网络(CNN)进行时间-空间特征提取,然后利用自动编码(AE)器把这些特征映射为具有辨识度的特征子空间,最后指导识别网络进行分类识别.实验结果表明,该文所提多通道空间特征提取和构建方法在运动想象脑电任务识别性能和效率上都具有较大优势. 相似文献
17.
脑机接口能提供一种不依赖于外周神经和肌肉,实现大脑与外界进行信息交流的全新通路。运动想象脑电研究是脑机接口技术研究领域一个重要课题,本文对运动想象脑电信号分析基础做简要介绍。一、脑电分类及特点脑电是人脑神经细胞群的自发性节律电活动在大脑皮层或头皮的总体反应的体现。近年来,一系列先进的成像技术也能够非常直观地呈现人脑各区域状态的变化情况,但这些并不影响基于EEG的相关研究。相比于以上成像技术,EEG 相似文献
18.