基于能量特征的脑电信号特征提取与分类

为了快速、有效地提取脑电特征,提高分类正确率,采用带通滤波和小波包分析的方法提取Mu、Beta节律对应的脑电信号,在时域范围内,将信号幅度的平方作为能量特征值;在频域范围内,采用AR模型功率谱估计法所得的功率谱密度作为能量特征值.根据运动想象脑电信号特点,构造左右通道信号能量差值的符号特性作为分类判别依据,进行分类测试,方法简单.初步实验结果表明,所利用的两种方法的分类正确率达87.857%.     

Classifying mental tasks based on features of higher-order statistics from EEG signals in brain-computer interface

In order to characterize the non-Gaussian information contained within the EEG signals, a new feature extraction method based on bispectrum is proposed and applied to the classification of right and left motor imagery for developing EEG-based brain-computer interface systems. The experimental results on the Graz BCI data set have shown that based on the proposed features, a LDA classifier, SVM classifier and NN classifier outperform the winner of the BCI 2003 competition on the same data set in terms of either the mutual information, the competition criterion, or misclassification rate.     

利用LS—SVM模块化决策系统求解EEG源参数

给定头皮脑电位的分布推算脑内电活动的源是脑电研究的一个重要的方面.研究涉及到信息科学、电磁场计算及生物医学工程等多个学科领域,其研究成果在神经疾病诊断、探索人的感觉和认知过程等方面具有蕈要意义.基于最小二乘支持向最机(LS-SVM)算法建立模块化决策系统,首先对脑电数据进行分类,然后依据分类结果提取数据样本,并建立回归模型,最后求解多种偶极子源参数.从而建立起头皮电压和脑电源参数之间的内在联系,为脑电动态分析提出一种实时的研究思路.计算机仿真计算结果证明了此方法的有效性.     

HHT方法在不同思维作业脑电信号分析中的应用

介绍了一种处理非线性、非平稳信号的新方法——HHT的原理及特点,并将其应用于不同思维作业脑电信号分析。实验结果表明,不同思维作业脑电信号经HHT后的HH谱和Hilbert边际谱都差异显著,证明HHT方法对脑电信号处理的可行性。     

基于支持向量机的思维脑电信号特征分类研究

探索一种实用的基于想象运动思维脑电的脑-机接口(BCI)方式,为实现BCI应用奠定比较坚实的理论和实验基础。对6名受试者进行三种不同时段(箭头出现2s、1s和0s后提示按键)情况下想象左右手运动思维作业的信号采集实验,利用小波变换和支持向量机对实验数据进行离线处理。对三种情况下的延缓时间△t0、△t1和△t2分析发现:△t0与△t1和△t2之间都有显著性差别(p<0.05),而△t1与△t2之间没有显著差别(p>0.05);平均分类正确率分别达到68.00%、80.00%和56.67%(p<0.05);实际按键前0.5~1s左右,想象左右手运动的思维脑电特征信号都发生了明显改变。通过合理的实验设计获取的信号有助于识别正确率的提高,为BCI系统中思维任务的特征提取与识别分类提供了新思路和方法。     

基于改进小波变换的EEG分析

利用小波变换来进行EEG自动识别的研究,试图将EEG自动识别由当前的癫痫领域扩大到更多的病症中来。提出了一种改进小波基的方法。该方法是利用连续小波变换来对EEG信号进行分析,选定一个最合适的小波基。在自动识别的过程中,用自适应小波基的方法来进行多分辨分析,然后用6个参数进行特征提取。实验证明此方法有良好的可行性和有效性。     

低密度脑电自适应去噪方法

便携式和可穿戴设备的低密度脑电图更便于实际使用,但会受到多种不可预知的噪声影响,给去噪带来极大的困难。脑活动成分较为相似,在特征空间分布较为紧密,而噪声成分与脑电成分不同,差异性大,在特征空间分布较为分散。本文提出了一种低密度脑电自适应去噪方法,采用小波分解和盲源分离方法提取潜在成分,并基于脑电和噪声成分在特征空间的分布特性,采用单类支持向量机识别并去除远离成分分布中心的异常成分。仿真数据的定量分析结果表明,提出的方法在肌电、眼电和工频等噪声抑制方面均优于现有方法;通过对真实脑电数据的成分簇可视化分析,直观展示了低密度脑电噪声有效去除的原因。结合盲源分离和异常检测的思路进行低密度脑电去噪,不需要设定特定噪声相关的特征参数,能够自适应地去除多种类型噪声同时有效保留脑活动成分,具有优良的性能和实用性。     

基于EEG和DE-CNN-GRU的情绪识别

近年,情绪识别研究已经不再局限于面部和语音识别,基于脑电等生理信号的情绪识别日趋火热.但由于特征信息提取不完整或者分类模型不适应等问题,使得情绪识别分类效果不佳.基于此,本文提出一种微分熵(DE)、卷积神经网络(CNN)和门控循环单元(GRU)结合的混合模型(DE-CNN-GRU)进行基于脑电的情绪识别研究.将预处理后的脑电信号分成5个频带,分别提取它们的DE特征作为初步特征,输入到CNN-GRU模型中进行深度特征提取,并结合Softmax进行分类.在SEED数据集上进行验证,该混合模型得到的平均准确率比单独使用CNN或GRU算法的平均准确率分别高出5.57%与13.82%.     

基于对称双通道脑电信号的注意力检测

注意力不能集中是一种注意力障碍,该现象普遍存在于青少年中,这直接影响人们的学习和工作效率.传统的注意力检测方法大多依赖对表情、姿势等行为的观察,难以客观精准地反映注意力情况.随着生理检测技术的迅猛发展,基于脑电信号的注意力检测近年来受到极大的关注.然而,相关研究仍存在检测准确率不高的问题.本研究收集了155位大学生在注意力集中、注意力非集中和放松3种状态下的脑电信号,并基于信号的小波特征、微分熵特征及功率谱特征,采用多种机器学习方法对3种注意力状态进行了识别.结果表明,脑电信号的小波特征,微分熵特征及功率谱特征可以有效区分被试的注意力状态,且基于对称双通道特征的平均准确率为(80.84±3)%,其检测精度明显高于基于单通道特征的检测精度.     

Classification of Imagined Speech EEG Signals with DWT and SVM

With the development of human–computer interaction technology, brain–computer interface (BCI) has been widely used in medical, entertainment, military, and other fields. Imagined speech is the latest paradigm of BCI and represents the mental process of imagining a word without making a sound or making clear facial movements. Imagined speech allows patients with physical disabilities to communicate with the outside world and use smart devices through imagination. Imagined speech can meet the needs of more complex manipulative tasks considering its more intuitive features. This study proposes a classification method of imagined speech Electroencephalogram (EEG) signals with discrete wavelet transform (DWT) and support vector machine (SVM). An open dataset that consists of 15 subjects imagining speaking six different words, namely, up, down, left, right, backward, and forward, is used. The objective is to improve the classification accuracy of imagined speech BCI system. The features of EEG signals are first extracted by DWT, and the imagined words are classified by SVM with the above features. Experimental results show that the proposed method achieves an average accuracy of 61.69%, which is better than those of existing methods for classifying imagined speech tasks.