利用相锁值算法的脑电相同步测谎研究

相锁值（Phase Locking Value,PLV）是由相同步的概念下提出一种描述不同信号相关性（同步性）的算法,在脑电信号领域,其有效性已经得到了验证.本文针对当前测谎方法中脑电信号特征提取困难的问题,首次将相锁值的算法应用到脑电测谎领域中,研究谎言脑活动下不同脑区之间的相关性,通过相关性发现谎言的认知机制,并利用该相关性作为特征,使用支持向量机对说谎者和诚实者的两类信号进行模式识别,得到了88.50%的准确率,提出的方法验证了PLV在测谎应用中的有效性,为基于脑电信号的测谎提供了一种新的途径.     

基于相位延迟指数的脑功能网络及测谎研究

在脑认知科学领域,越来越多的研究开始专注于利用不同导联脑电信号之间的相互依赖关系来研究大脑整体认知功能.相位延迟指数可有效减少由容积导体引起的误差,该方法已被广泛应用.而基于图论的脑网络研究方法在测谎方面还少见报道.本文通过对30名（诚实和说谎）受试者的脑电信号进行网络拓扑分析,将网络参数作为判别指标,使用支持向量机对实验数据进行分类.研究发现,两组受试者的小世界指标表现出显著的统计学差异,且得到较高的测谎准确率,结果证明了利用相位延迟指数方法进行图论分析的测谎有效性.     

基于脑电样本熵的测谎分析

测谎分析在刑讯侦查和法律审判中具有重要意义.为了区分是否说谎,根据脑电信号的非线性特征,本文首次使用非线性动力学的样本熵方法分析30名受试者处于诚实和说谎两种状态时脑电信号的样本熵值.研究发现：受试者处于诚实状态时的熵值波动范围明显小于说谎状态下的波动范围,更重要的是说谎时的熵值显著高于说实话时的熵值,表明样本熵可以区分诚实和说谎两种不同状态下的脑电信号,该研究为基于脑电的测谎提供了一种新的途径.     

基于听觉E RP功能脑网络特征和SVM的测谎方法研究

基于图论理论的脑网络分析方法近年来在认知脑科学研究中起到了非常重要的作用,而基于事件相关电位（Event-Related Potentials,ERP）的传统测谎方法一直都专注于对某一特定通道上的脑电信号进行分析,针对传统方法中使用少数通道并不能够全面的反映人在说谎状态下大脑整体认知功能特征的缺点,本文提出了基于脑网络特征的测谎方法,通过听觉刺激诱发事件相关电位ERP,记录脑区多通道脑电信号,通过讨论各导联之间的相位延迟指数来构建脑功能网络,计算7类脑网络特征参数作为判别指标。分析被试在说谎和无辜状态下的网络特征参数,使用支持向量机对实验数据进行分类判断,结果表明：本文提出的方法有较高的判别准确率,优于目前判别方法的平均值,证明了本方法的测谎有效性。     

基于PCANet和SVM的谎言测试研究

主成分分析网络（Principal Component Analysis Network,PCANet）是基于深度学习理论的一种非监督式的特征提取方法,它克服了手工提取特征的缺点,目前其有效性仅仅在图像处理领域中得到了验证。本文针对当前谎言测试方法中脑电信号特征提取困难的缺点,首次将PCANet方法应用到一维信号的特征提取领域,并对测谎实验的原始脑电信号提取特征,然后使用支持向量机（Support Vector Machine,SVM）将说谎者和诚实者的两类信号进行分类识别,将实验结果和其它分类器及未使用特征提取的分类效果进行了比较。实验结果显示相对未抽取任何特征的方法,提出的方法PCANet－SVM可以获得更高的训练和测试准确率,表明了PCANet方法对于脑电信号特征提取的有效性,也为基于脑电信号的测谎提供了一种新的途径。     

基于互样本熵的脑电功能网络构建及其应用

近年来,通过建立脑网络模型探索大脑功能、理解脑疾病的发生机理成为神经科学的研究热点。提出一种新的脑电网络地形图的构建方法,并探讨了其应用。首先对原始脑电信号进行截取,再对得到的时间序列进行小波包变换,实现原始信号的频率域分解;计算每个通道两两之间的互样本熵值,最后通过拓扑作图得到基于互样本熵的脑电网络地形图。研究表明,所提出的网络构建方法一定程度上能够反映不同的脑功能状态,对于分析理解大脑功能状态、诊断临床脑部疾病可能提供一种新的有效方法。     

基于脑功能网络和样本熵的脑电信号特征提取

针对脑-机接口(BCI)研究中采用单一特征对运动想象脑电信号(EEG)识别率不高的问题,该文提出一种结合脑功能网络和样本熵的特征提取方法.根据事件相关同步/去同步(ERS/ERD)现象以及皮层与肢体运动想象间的对侧映射机制,选取小波包变换消噪重构后的μ节律脑电信号,用左侧27个通道、右侧27个通道分别对左半球脑区和右半球脑区构建脑功能网络,计算网络的平均节点度和平均聚集系数作为运动想象的脑功能网络特征,并结合C3,C4通道μ节律的样本熵构筑分布性和指向性相结合的特征向量.选用支持向量机(SVM)对左右手运动想象脑电信号进行分类,结果表明基于脑功能网络和样本熵的特征提取方法能够实现更优的分类效果,分类准确率最高可达90.27％.     

基于同步性脑网络的支持张量机情绪分类研究

一直以来,情绪是心理学、教育学、信息科学等多个学科的研究热点,脑电信号(EEG)因其客观、不易伪装的特点,在情绪识别领域受到广泛关注。由于人类情绪是大脑多个脑区相互作用产生的,该文提出一种基于同步性脑网络的支持张量机情绪分类算法(SBN-STM),该算法采用相位锁定值(PLV)构建了同步性脑网络,分析多导联脑电信号之间的同步性和相关性,并生成2阶张量序列作为训练集,运用支持张量机(STM)模型实现正负情绪的二分类。该文基于DEAP脑电情绪数据库,详细分析了同步性脑网络张量序列的选取方法,最佳张量序列窗口的大小和位置,解决了传统情绪分类算法特征冗余的问题,提高了模型训练速度。仿真实验表明,基于支持张量机的同步性脑网络分类方法的情绪准确率优于支持向量机、C4.5决策树、人工神经网络、K近邻等以向量为特征的情绪分类模型。     

脑机接口技术研究概述

脑机接口(Brain-Computer Interface, BCI)是在人脑和外界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)的一种通讯系统.本文概述了基于脑电信号(EEG)的BCI技术的基本原理、研究方法、类型、研究现状,并分析了目前存在的问题与应用前景.     

脑机接口的发展挑战与趋势研判

通过思想控制万物仍属于科幻电影的范畴,但随着脑科学的发展,人类可以利用大脑活动产生的电信号与环境互动,影响或改变环境.脑机接口(Brain-Computer Interface,BCI)可使人或动物大脑与外部设备之间创建直接连接,实现脑与设备的信息交换,其技术为肢体和语言障碍者提供行走和操纵物体的辅助设备.脑机接口领域的进步将改变人类的生活方式.本文简要介绍脑机接口的发展历程,阐释脑机接口的实现过程,并准确识别出脑机接口未来挑战,同时对其发展趋势进行研判.在不久的将来,脑机接口将取得突破性进展.     

基于持续同调性的人脑认知过程格式塔模式识别拓扑分析

信息通信技术和神经科学的融合发展预示了脑对脑无线通信的可能性与巨大潜力。将持续同调分析方法与脑电图（EEG）结合，提取了在格式塔完形（Gestalt）认知测试中大脑对不同轮廓和形状的神经反应的生理学特征。实验结果表明，当被试者观察随机序列图像（random sequence diagram，RSD）时，其大脑额叶涉及的活动区域多于其观察有序格式塔图像（Gestalt image，GST）。同时，RSD诱发的EEG信号在几个频带上与GST的持续同调熵（persistent entropy，PE）有着显著不同，这表明人类对形状和轮廓的认知过程，可以通过拓扑分析在一定程度上实现分类区分。该方法可以在保留原生信号的整体和局部特征的前提下实现神经信号的数字化。总的来说，通过对EEG信号的持续同源性特征评估量化了认知过程神经信号的相关性，提供了实现B2BC中神经信号数字化的可行方法。     

基于C-LSTM模型的端到端多粒度运动想象脑电信号分析方法

脑电信号（Electroencephalography, EEG）是人的大脑在不同状态下产生的生物电信号。运动想象脑电信号是其中较为典型的一类信号，广泛应用于脑机接口技术中。对运动想象脑电信号分析的研究由来已久，目前主要采用公共空间模式等特征提取方法，对于如何提取更加有效的脑电信号特征以及如何对时序信息进行建模仍然是需要解决的问题。因此，本文设计了基于C-LSTM（Convolutional-Long Short Term Memory）模型的端到端多粒度脑电分析方法。并利用空间信息以及小波脑网络方法进行了改进，在BCI2008数据集上，相较传统方法提高了近10%，到达了93.6%的识别率。      

Single-trial EEG source reconstruction for brain-computer interface.

A new way to improve the classification rate of an EEG-based brain-computer interface (BCI) could be to reconstruct the brain sources of EEG and to apply BCI methods to these derived sources instead of raw measured electrode potentials. EEG source reconstruction methods are based on electrophysiological information that could improve the discrimination between BCI tasks. In this paper, we present an EEG source reconstruction method for BCI. The results are compared with results from raw electrode potentials to enable direct evaluation of the method. Features are based on frequency power change and Bereitschaft potential. The features are ranked with mutual information before being fed to a proximal support vector machine. The dataset IV of the BCI competition II and data from four subjects serve as test data. Results show that the EEG inverse solution improves the classification rate and can lead to results comparable to the best currently known methods.     

Single-Trial EEG Source Reconstruction for Brain–Computer Interface

A new way to improve the classification rate of an EEG-based brain-computer interface (BCI) could be to reconstruct the brain sources of EEG and to apply BCI methods to these derived sources instead of raw measured electrode potentials. EEG source reconstruction methods are based on electrophysiological information that could improve the discrimination between BCI tasks. In this paper, we present an EEG source reconstruction method for BCI. The results are compared with results from raw electrode potentials to enable direct evaluation of the method. Features are based on frequency power change and Bereitschaft potential. The features are ranked with mutual information before being fed to a proximal support vector machine. The dataset IV of the BCI competition II and data from four subjects serve as test data. Results show that the EEG inverse solution improves the classification rate and can lead to results comparable to the best currently known methods.     

基于Wigner分布的脑电信号处理

临床实践表明,脑电信号中包含有大量的生理与疾病信息。对脑电信号进行行之有效的处理,不仅可以为医生提供临床诊断信息,而且可以为某些脑疾病的治疗提供有效的治疗手段。目前,随着信号处理技术的发展,在脑电信号处理中已应用了多种信号分析方法来提取脑电信号中所包含的信息,但大多数还是停留在理论研究阶段。本文在研制虚拟式脑电图仪的过程中,考虑到Wigner分布在各种时频分布中具有最简单的形式和良好的性质,从临床应用及医学研究相结合的角度出发,应用Wigner分布对脑电信号进行时频分析以提取脑电信号中的特征信息。对实测脑电数据的分析表明,应用此方法可获得较好的分析效果。