基于P300特征的脑-机接口解码算法研究综述

脑-机接口是脑与外部设备连接进而实现信息交换技术，核心是发挥人脑的优势，直接通过人脑与外部环境进行高效互动，目前已成为世界各国的研究热点。P300是由特定刺激范式激发的事件相关电位中的一个典型成分，最初研究发现，当人脑受到某些小概率事件刺激时，会在脑电信号中出现一个潜伏期约为300 ms的正向波峰。由于P300成分具有刺激特异性，因此该特性已被广泛用来研究注意、辨认等认知功能，基于P300特征的脑电范式也已经成为三大主流范式之一。近年来，结合P300和脑-机接口的具有实用功能的应用大量涌现，与此相关的解码算法也被提出并不断改进，这为人们研究P300脑-机接口提供了便利。然而，P300脑-机接口的相关解码算法缺乏系统性总结，各类算法之间的特点也尚未得到明确比较。该文依据P300成分主要在顶枕区响应的特点，提出了基于非空间信息的P300脑电解码算法；依据P300成分在不同脑区响应特征不同的特点，提出了基于空间信息的P300脑电解码算法；依据近几年信息技术快速发展，深度学习已不断在P300脑-机接口中应用的特点，提出了基于深度学习的新型P300脑电解码算法；从以上三个角度入手，总结近年来P3...     

基于极微弱脑电编解码技术的脑机接口前沿展望

脑机接口是人机交互领域中迅速发展的新兴技术,在系统交互速率和指令集数量等方面已经取得较大突破,但现有脑机接口技术多基于高鲁棒性的脑电特征进行编解码,欠缺舒适性和交互友好性,导致目前该技术的应用场景受限且不利于用户进行多线程作业,限制了脑机接口技术走向实际应用.面向脑机交互过程中的实际应用需求,需要开发基于极微弱脑电的编解码技术,挖掘蕴含更深层、更复杂大脑信息的脑电特征.为此,一方面需设计提升用户体验的极微弱刺激编码范式,一方面需研发提高极微弱特征识别精度的解码算法,实现更加实用化、人性化的新型脑机接口系统.本文对基于极微弱脑电编解码技术的相关研究进行了回顾和总结,并对该技术的未来发展趋势进行了展望.     

基于离散小波变换和主分量分析的P300分类算法研究

提出了一种应用离散小波变换(DWT)结合主分量分析(PCA)进行特征提取,然后用支持向量机(SVM)对P300进行分类的算法.该算法首先在一定预处理基础上使用离散小波变换对P300脑电信号分解,然后选取蕴含P300大多数信息的特征尺度进行小波重构,从而达到去噪增强的效果.然后使用PCA进行特征的提取和集中.最后使用支持向量机对提取到的特征分量进行分类.该算法将小波分解和主分量分析结合起来进行特征增强与提取,实验结果表明,该算法能够达到令人满意的正确分类率.     

不同编码分组调制的VEP脑机接口研究

在现有的各种脑机接口实现范例中,基于c-VEP的脑机接口取得了最高的信息传输率,但这种脑机接口系统必须在刺激目标数与检测精度和检测速度之间进行折衷。要增加刺激目标数并保证识别率高,必须增加码长,然而,增加码长会导致识别一个目标所需的时间增加,降低信息传输率。针对这个问题,提出了使用不同编码分组调制刺激目标的方法。基于该方法,采用Golay码和近完美码各调制16个刺激目标,目标识别的方法是先获取两组目标的参考模板,分别对两个模板做移位得到所有目标的模板,再运用模板匹配法对目标进行识别。7位受试者在一个刺激周期的平均分类准确率高达92.34%,研究结果表明该方法增加了刺激目标数,同时提高了识别率,缩短了检测时间。     

基于P300脑机接口系统实验范式的研究现状

脑机接口系统是一种无需借助周围神经和肌肉便可与外界交流信息、表达使用者想法的通信系统。在过去20多年,P300电位作为脑机接口技术常用的典型脑电成分一直倍受关注,众多研究者为提高脑机接口系统的性能,相继提出了众多基于P300脑机接口系统的实验范式。在总结归纳的基础上,对使用广泛、性能较优越的3种实验范式进行了论述,并比较总结了其性能,同时分析了影响实验范式的物理属性。最终对脑机接口系统实验范式未来的研究方向进行了展望。     

粗糙集和支持向量机在复杂电路系统诊断中的应用

为了解决复杂电路系统故障样本少、特征信息冗杂的问题,提出了一种基于粗糙集属性约简理论和支持向量机分类方法相结合的故障诊断方法.首先采用粗糙集约简故障模式库中的冗余特征属性和矛盾样本,然后提取最简故障特征模式作为支持向量机的学习样本,通过样本训练使构建的支持向量机多分类器能够快速实现故障诊断的目的.最后,通过仿真算例验证了该方法在小样本故障识别上的有效性和可行性.     

雷达目标一维距离像识别方法研究

提出了一种基于小波包分析和二叉树支持向量机相结合的雷达目标一维距离像识别方法.该方法充分利用了小波包对信号的时频分解和支持向量机在小样本分类中的优势,可以改善目标的特征稳定性,提高识别性能.通过采用聚类分析中的均值距离来生成二叉树,将分类器分布在各个节点上,构成了多类支持向量机,减少了分类器数量和重复训练样本的数量.对...     

用于SVM的RCS统计特征集约减方法

传统的支持向量机分类算法对训练样本数目敏感且不具备增量学习的能力,而空间目标识别的工程应用需要积累样本进行大样本的增量学习。根据样本在特征空间分布,提取几何意义上边缘的样本点,成功约减了应用于支持向量机学习的基于雷达散射截面统计特征的训练样本集。利用中心距离比和特征空间多维高斯分布特性,分别提取两类边界样本集和单类边缘样本集;再采用直推式实验设计方法再采样,根据样本潜在结构分布信息选择最能代表样本集结构分布的高价值样本。实验结果表明：样本初选算法能够在有效约减样本集规模的同时保持支持向量机训练分类的精度。     

面向中高频SSVEP脑机接口的编解码算法研究

基于稳态视觉诱发电位（steady-state visual evoked potentials,SSVEPs）的脑-机接口系统（brain-computer interface,BCI）通常使用低频强闪烁刺激诱发强特征脑电信号。尽管相关数据处理技术日臻成熟,但是系统使用舒适度差,训练时间较长。提高刺激频率能够有效缓解受试者的视觉疲劳,提高系统友好度,然而现有中高频SSVEP系统又存在指令集数量少、信息传输率（information transfer rate,ITR）低等缺陷。针对以上问题,本文基于中高频SSVEP脑电特征,提出并使用了包含空码的Code Words编码范式与集成任务相关成分分析（ensemble task-related component analysis, eTRCA）解码算法,并研究了该套编解码方法的适用性与可扩展性。本研究选择中高频段的4个频率（20、24、30、40 Hz）分别构建脑控字符拼写系统,单个频率的闪烁刺激可独立构建多达6个控制指令,联合多个频率理论上可实现指令集数量的成倍扩增。共有10位健康受试者参与了离线脑电实验,利用18~60 Hz带通滤波对脑电数据进行预处理,使用eTRCA算法进行特征识别。18指令集系统的理论平均分类准确率为96.71±1.69 %,理论平均ITR达86.94±6.07 bits/min。以上结果表明,本研究提出的编解码算法能够有效诱发并准确识别中高频SSVEP的时-频-相多维特征,在此基础上通过增加编码单元频率种类、提高有效编码率、改进解码算法等方式有希望进一步提升系统性能。      

在线脑机接口中脑电信号的特征提取与分类方法

在脑机接口研究中,针对运动想象脑电信号的特征抽取,提出了一种基于离散小波变换和AR模型的方法.利用Daubechies类小波函数对脑电信号进行3层分解,抽取小波变换系数的统计特征;利用Burg算法提取脑电信号6阶AR模型系数.将这两类特征进行组合后使用神经网络、支持向量机、马氏距离线性判别进行分类并比较分析.采用BCI...     

一种基于集成卷积神经网络的SAR图像目标识别算法

针对合成孔径雷达(Synthetic Aperture Radar, SAR)图像目标识别问题，提出了一种基于集成卷积神经网络(Convolutional Neural Network, CNN)的SAR图像目标识别方法。首先对原始数据集进行数据增强的预处理操作，以扩充训练样本；接着通过重采样的方法从训练样本中获取不同的训练子集，并在训练各基分类器时引入Dropout和Padding操作，有效增强了网络泛化能力；然后采用Adadelta算法与Nesterov动量法结合的思想来优化网络，提高了网络的收敛速度和识别精度；最后采用相对多数投票法对基分类器的分类结果进行集成。在MSTAR数据集上进行的实验结果表明，集成后的模型识别准确率达到99.30%,识别性能优于单个卷积神经网络，具有较强的泛化能力和较好的稳健性。     

一种基于重采样双向2DLDA融合的人脸识别算法

针对人脸识别中普遍存在的光照、表情等变化带来的识别问题和小样本问题,本文提出了一种利用重采样技术融合双向2DLDA特征的人脸识别算法Resampling Bidirection 2DLDA(RB2DLDA).二维线性判别分析中,2DLDA利用垂直方向上的类内和类间协方差信息进行识别,E2DLDA利用水平方向上的类内和类...     

多模式斜视多通道SAR成像方法

方位多通道技术是当前合成孔径雷达（SAR）系统主流的高分宽幅实现方式。而将方位多通道技术与斜视波束扫描（聚束、滑动聚束、TOPS）工作模式相结合可以实现灵活的更高分辨率或者更宽幅宽的遥感观测。然而由于斜视以及波束扫描会使得回波信号的多普勒带宽远大于通道数与脉冲重复频率（PRF）的乘积,使得传统的多通道成像方法失效。为了解决上述问题,本文提出一种基于方位去斜加方位重采样的多模式斜视多通道SAR成像方法,该方法通过对各个通道信号分别进行方位去斜以及对去斜、线性距离走动校正（LRWC）后的信号进行方位重采样来解决方位时变的问题,使得传统的多通道成像方法可以使用。理论分析与实验结果均验证了该方法可以处理多模式的斜视多通道SAR数据,并且得到聚焦良好的图像。     

Reversible Resampling of Integer Signals

Except some extremely special cases, signal resampling was generally considered to be irreversible because of strong attenuation of high frequencies after interpolation. In this paper, we prove that signal resampling based on polynomial interpolation can be reversible even for integer signals, i.e., the original signal can be reconstructed losslessly from the resampled data. By using matrix factorization, we also propose a reversible method for uniform shifted resampling and uniform scaled and shifted resampling. The new factorization yields three elementary integer-reversible matrices. The method is actually a new way to compute linear transforms and a lossless integer implementation of linear transforms with the factor matrices. It can be applied to integer signals by in-place integer-reversible computation, which needs no auxiliary memory to keep the original sample data for the transformation during the process or for “undo” recovery after the process. Some examples of low-order resampling solutions are also presented in this paper and our experiments show that the resampling error relative to the original signal is comparable to that of the traditional irreversible resampling.      

基于卷积神经网络的随机因子重采样图像检测

图像重采样检测是图像取证领域的重要任务,其目的是检测图像是否经过重采样操作。现有的基于深度学习的重采样检测方法大多只针对特定的重采样因子进行研究,而较少考虑重采样因子完全随机的情况。本文根据重采样操作中所涉及的插值技术原理设计了一组高效互补的图像预处理结构以避免图像内容的干扰,并通过可变形卷积层和高效通道注意力机制(efficient channel attention, ECA)分别提取和筛选重采样特征,从而有效提高了卷积神经网络整合提取不同重采样因子的重采样特征的能力。实验结果表明,无论对于未压缩的重采样图像还是JPEG压缩后处理的重采样图像,本文方法都可以有效检测,且预测准确率相比现有方法均有较大提升。     

基于线性动态模型的雷达高分辨距离像小样本目标识别方法

为了解决雷达高分辨距离像识别系统对训练样本需求量过大的问题,该文提出一种基于线性动态模型的小样本目标识别方法。首先分析了距离像频谱的统计特性,然后从其广义平稳性出发,使用线性动态模型对距离像频谱幅度建模,并用期望最大化算法估计模型参数。实测数据的实验结果表明:即使在很少的训练样本条件下,该方法仍能获得较高的正确识别率和良好的拒判性能。     

基于ICA的脑电信号P300少次自动提取

提出一种基于Infomax ICA少次自动提取脑电信号P300成分的方法.为了提高ICA分解的有效性,对原始数据中的自发脑电信号和P300成分进行了均衡.混合信号经过ICA分解后,根据IC的固定时间模式的标准差来自动选择P300成分IC,最后重构得到P300成分.实验结果是:利用6试次实验数据经过本文方法处理后能自动得到P300成分,与29试次平均结果(标准信号)相比,它们之间的Pearson相关系数达0.9035,而6试次实验数据平均的结果与标准信号之间的Pearson相关系数为0.5105.结果表明,该方法能有效的获取P300成分,同时增强了P300成分少次提取的客观性.     

基于核Fisher判决分析的脸谱识别新方法

本文提出一种新的基于核Fisher判决分析(简称KFDA)的脸谱识别方法。即首先应用KFDA提取脸谱特征，然后，进行脸谱识别。利用标准的AT＆T脸谱数据库对KFDA特征提取方法和PCA、FDA以及ICA特征提取方法进行比较，最后使用线性支持向量机(简称SVM)进行分类和识别，实验结果显示基于KFDA特征提取脸谱识别方法的识别率明显优于其它三种脸谱识别方法的识别率。     

脉搏传播时间变异性谱分析的预处理方法研究

研究了脉搏传播时间(PTT)变异性谱分析的预处理过程,提出了以平均心动频率作为重采样率的均匀重采样方法和基于平均心动频率控制的小波去趋势(WFC,wavelet detrend based on frequency control)方法。试验结果表明:1)采用平均心动频率作为重采样率,可以保证在信号不失真的情况下达到均匀采样的目的;2)相比于平滑先验(SDA,smoothness prior approach)方法和经验模态分解(EMD,empirical mode decomposition)方法,WFC方法得出了较好的去除非平稳趋势效果,同时在处理大数据量序列时有更高的运行效率。     

基于二维Fisher线性判别的人脸耳组合识别

针对人脸易受到年龄、表情等影响,提出了脸和耳相结合的组合识别方法。利用二维Fisher线性判别(2DFLD)方法分别进行了脸、耳图像层和特征层的组合识别。在北京科技大学人耳库和ORL人脸库上进行实验,结果表明,图像层组合和特征层组合的识别率分别为97.5%、95.0%,分别比人脸识别提高了12.5%和10.0%,比人耳识别提高了5.0%和2.5%;与同样应用于组合识别的主成分分析(PCA)、二维PCA(2DPCA)比较,也取得了较好识别效果。这说明,多生物特征组合识别是一种有效的识别方法。