基于BP神经网络的运动想象脑电信号分类研究

运动想象脑机接口因具有更大的自主性、灵活性,在脑机互联领域得到了广泛应用,相比较其它范式分类准确率偏低,限制了其发展。本文利用时频图谱、脑地形图两种特征分析方法对上肢运动想象脑电信号进行了特征分析,并采用滤波器组共空间模式(filter bank co-space,FBCSP)特征提取算法对上肢运动想象信号数据进行了特征提取,再将提取结果分别利用支持向量机（support vector machine,SVM）算法、K-最近邻(K-Nearest Neighbor)算法、反向传播（back propagation,BP）神经网络三种分类算法进行分类,研究结果发现SVM算法、KNN算法、BP神经网络算法应用在上肢运动想象脑机接口系统的平均分类准确率分别为76.45%、74.55%、81.70%,BP神经网络算法相比SVM算法、KNN算法在上肢运动想象任务的分类准确率上分别高出了5.25%、7.15%,并且t检验后得到分类准确率均具有极显著的统计学差异,并利用ROC曲线和AUC值检测了分类器效果,BP神经网络的AUC值相比SVM算法、KNN算法也分别提升了0.1226、0.1285,表明BP神经网络分类算法相比较SVM算法、KNN算法更适用于上肢运动想象脑机接口系统,提高了系统的分类准确率,推动了上肢运动想象脑电信号实际应用的发展进程。     

基于交错组卷积神经网络的脑电信号情绪识别研究

利用深度学习算法实现多种情绪的高效准确识别对当前脑电信号情感计算研究具有一定探索价值。常用的卷积神经网络其种类结构较为复杂且存在参数选择问题,针对不同类型刺激素材下脑电信号的情绪分类问题,搭建了一种交错组卷积神经网络的数学分类模型,此模型在经典卷积神经网络的基础上增加了交错组卷积结构。利用增加交错组卷积模块的LeNet-5卷积网络对诱发的不同情绪下脑电信号进行三分类识别,图片、音乐与视频素材刺激下的脑电信号平均识别率分别为98.74%、95.82%与96.06%。对比传统的机器学习分类算法的识别效果,轻量化结构卷积神经网络的收敛速度和情绪识别准确率均有明显提高,且鲁棒性更强。     

基于ELM和SVM皮电信号情绪分类识别的研究

皮电信号(Electrodermal activity,EDA)是一种不平稳的非周期性微弱信号，能够反映不同情绪状态下人体皮肤内血管的舒张和收缩以及汗腺的分泌活动，在情绪分类识别中具有重要的研究意义。针对EDA信号时域特征提取的分类方法识别率低，极限学习机(Extreme learning machine, ELM)具有训练参数少、学习效率高、泛化能力强等的优点，本研究基于生理信号采集设备采集了12位被试的皮电数据，从时域上进行特征提取，输入KS(Kennard-Stone)模型随机筛选样本，使用支持向量机(Support Vector Machine, SVM)和极限学习机的方法对积极、消极、中性情绪进行分类，并对分类准确率进行比较。实验结果表明，相较于支持向量机分类器55.56%的平均分类准确率，极限学习机平均分类准确率达64.16%,提高了8.6%,采用配对t检验进行验证，t检验结果为P=0.047 781 453<0.05,具有显著的统计学差异。极限学习机算法适用于情绪分类识别，相较于支持向量机具有更好的情感识别效果。