基于小波变换的运动想象脑电信号分类

在脑-机接口的研究中,针对运动想象的两种思维任务的脑电信号的特征提取,提出了一种基于小波包变换的特征提取方法。该方法利用想象运动中,脑电信号Mu/Beta节律事件相关同步化/去同步化特性,采用BCI2003竞赛数据,输入Matlab的Classify分类函数进行分类,正确率达到88.57%。     

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\begin{document}$ \mu$\end{document}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%。     

LMD算法与运动想象脑电信号的时频分析

脑电信号是极其复杂的非平稳信号,为了精确处理运动想象脑电信号,采用LMD(局域均值分解)方法对其进行时频分析。首先给出仿真信号的LMD分解及时频分布,而后对左右手运动想象脑电信号进行LMD时频分析。研究结果表明,LMD具有较强的时频刻画能力,能够精确描述脑电信号的非线性时变特性,是对脑电信号进行时频分析的有效方法。     

基于脑电和眼电的运动想象多尺度识别方法研究

基于脑电信号对同一肢体不同动作想象模式进行识别的正确率低,已成为基于脑机接口对肢体瘫痪患者进行运动想象训练监控的方法,获得临床应用前必须解决的瓶颈问题.针对该问题,本文提出一种利用运动想象时眼睛的活动状态与所想象肢体动作之间存在的耦合关系,进行运动想象多尺度识别的新方法.该方法首先在大尺度上,利用脑电信号对运动想象是否发生进行识别,再结合同一运动想象过程眼电信号协同变化模式的识别结果,基于决策融合在更精细的尺度上,对同一肢体不同动作的想象模式进行识别.实验结果表明,仅基于脑电进行右臂三种动作想象模式识别的平均正确率为63.0%,而应用所提出方法可以将其提高到91.4%.所提出方法可望有临床应用前景.     

基于相位同步的脑电信号分类算法研究

脑电同步是脑功能区域整合或绑定的表现.文中将相位同步应用于运动意识想象分类,采用希尔伯变换信号处理方法计算脑电信号瞬时相位值.在合适的时间窗下,选取C3、C4电极与中央区电极进行配对并进行锁相值计算,采用支持向量机进行运动意识想象分类.实验结果表明,采用相位同步方法分类准确率达92.5%.     

基于小波包融合微分熵的运动想象脑电信号处理

针对脑电信号特征提取导致有效信息丢失的问题,提出了一种基于小波包融合微分熵提取脑电信号特征的方法,可以充分提取脑电信号的有效信息。首先对脑电信号进行小波包分解,选取与运动想象相关的频率进行重构,得到脑电信号的时频信息;考虑到脑电信号的非线性特征,提取脑电信号微分熵特征。实验在脑电大赛数据集上进行验证,在不同分类器上分类准确率分别达到了88%和91%,结果表明小波包融合微分熵的脑电信号处理方法准确率明显提高。     

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。      

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...     

基于CNN-LSTM的运动想象脑电四分类研究

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%。     

基于松散型WNN的运动想象脑电信号解码研究

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。     

运动想象脑电信号的ERD/ERS分析基础

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     

基于精细运动想象的脑机接口技术研究进展

基于运动想象的脑机接口(Motor Imagery based Brain-Computer Interface,MI-BCI)对运动康复具有重大意义.然而,现有MI-BCI指令集有限,在高维精细运动控制时,运动意图与动作输出无法匹配,不利于构建反馈真实运动意图的闭环运动康复系统.近年来,精细运动想象编解码研究逐渐受到关注与重视,在范式与解码方法两方面取得了一些研究进展.范式方面,一些研究对想象单一肢体不同关节、同一关节不同自由度的动作进行了尝试;解码方法方面,传统机器学习、深度学习与基于领域自适应的迁移学习方法等被引入到了精细运动想象解码研究中.本综述讨论了基于脑电信号的精细运动想象范式与解码方法的研究进展,并展望了其未来前景,以期促进精细运动想象脑机接口技术的深入研究及未来应用.     

一种基于WRCE-CSP的运动想象电位识别方法

针对脑一机接口系统中运动想象脑电信号（Electroencephalography,EEG）的模式识别问题,提出了加权节律成分提取（WeightedRhythmicComponentExtraction,WRCE）与共空间模式（CommonSpacePattern,CSP）相结合的特征提取方法,并使用Fisher线性判别分析进行分类。采用2003年的BCI竞赛数据Datasetm对该方法进行评估,测试数据的分类正确率达到86．13％,比使用传统CSP方法进行特征提取时的分类正确率提高了5．71％,表明该方法可有效地应用于运动想象EEG的模式识别中。     

基于条件经验模式分解和串并行CNN的脑电信号识别

针对运动想象脑电信号(EEG)的非线性、非平稳特点,该文提出一种结合条件经验模式分解(CEMD)和串并行卷积神经网络(SPCNN)的脑电信号识别方法。在CEMD过程中,采用各阶固有模式分量(IMF)与原始信号的相关性系数作为第1个IMF筛选条件,在此基础上,提出各阶IMF之间的相对能量占有率作为第2个IMF筛选条件。此外,为了考虑脑电信号各个通道之间的特征和突出每个通道内的特征,该文提出SPCNN网络模型对进行CEMD过程后的脑电信号进行分类。实验结果表明,在自行采集的脑电数据集上平均识别率达到94.58%。在公开数据集BCI competition IV 2b上平均识别率达到82.13%,比卷积神经网络提高了3.85%。最后,在自行设计的智能轮椅脑电控制平台上进行了轮椅前进、左转和右转在线控制实验,验证了该文算法对脑电信号识别的有效性。     

一种脑电刺激器电路设计

本系统基于脑电信号的节律同步化效应,利用外部刺激方法,使人脑进入需要的波段,达到调节精神状态、治疗一些心态疾病的目的。系统采用51系列单片机控制DDS系列AD9851芯片输出高精度的可调频刺激信号,最终以不同频率的声、光刺激信号作为输出。通过实验研究了脑电频率调节的刺激模式和时序,验证了节律同步化效应。该电路经过实物样机测试,完全达到实际使用要求,具有安全、可靠和低成本等优点。     

不同意识脑电的双谱切片特征分析与分类

脑电是一种典型的非高斯、非线性随机信号,传统时域或频域分析已不能准确表征信号特征,而高阶谱方法对脑电信号的处理却有较好效果。本文通过几组不同意识状态下的脑电测试实验,提取脑电信号,并通过双谱分析提取脑电双谱切片的特征值,借助支持向量机、概率神经网络、最近邻分类算法等3种方法对双谱切片的特征值进行处理,比较其分类效果。研究结果表明,电极C3处脑电与其他电极处的脑电具有不同的双谱特征,不同脑电极信号双谱切片具有明显差异。     

Chernof f加权分类器框架在运动想象脑-机接口中的应用

针对现有脑机接口(BCI)分类器与大脑认知过程结合不够紧密的问题,该文提出一种基于Chernoff加权的分类器集成框架方法,并用于同步运动想象脑机接口中。通过对训练数据进行统计分析,获得各时刻脑电信号(EEG)的统计特性,并建立基于大脑认知过程的高斯概率模型。然后利用Chernoff边界特性得到该概率模型的最小误差,并以此确定该时刻分类器的权重,通过对各时刻分类器的加权,实现同步脑机接口的信号分类。以脑机接口竞赛数据作为测试,并与线性判决分析、支持向量机和极限学习方法分别结合构成新的集成方法。由实验结果可知,加权集成框架方法的分类性能比原独立分类方法有显著提高。     

脑电信号预处理方法研究综述

脑电信号是一种复杂且重要的生物信号,被广泛应用于类脑智能技术和脑机接口领域的研究。文中介绍了干扰正常脑电信号的常见非生理性伪迹和生理性伪迹的类型及特点,并对生理性伪迹的产生原因进行了详细分析。通过对各种脑电信号去除伪迹方法的回顾以及应用现状的分析,比较并总结了传统去除伪迹方法和新型去除伪迹方法的研究进展,并进一步分析去除伪迹方法的优缺点。部分方法已经成功应用于处理脑电信号中的眼电、心电和肌电等伪迹中。文中还针对目前脑电信号去除伪迹的需求及所面临的问题给出了应对策略,并对未来的研究方向进行了分析和展望。     

基于信号投影能量特征的脑电意识动态分类

针对脑电意识任务动态分类问题,本文提出了一种基于投影能量的特征提取方法来提取反映不同思维状态的脑电特征,并结合信息累积后验贝叶斯方法进行分类以提高脑-机接口系统的分类正确率。该方法通过使两类信号在投影基上的平均投影能量比达到极值,从而达到提高脑电信号分类准确度的作用。实验结果表明两个运动想象数据集上的最大正确率都达到90%左右,最大分类准确率、kappa系数和最大互信息等评价指标的比较也表明该方法能够有效提高BCI系统的性能,具有较好的实用性。