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%。     

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。     

左右手运动想象脑电信号的特征分析1

针对运动想象的两种思维任务的脑电信号,本文提出了一种基于能量的特征提取方法。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,对C3/C4通道脑电信号进行时域分析,分析得到特征较为明显的脑电信号时间段。     

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。     

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。     

CSSD＋AAR模型在脑电信号处理中的应用

针对BCI技术中的脑电信号处理方法和事件相关去同步化的特点,提出了一种结合时、频、空域的特征提取方法。结合CSSD和AAR模型来提取脑电特征,并对基于AAR模型系数的特征提取方法进行了探讨,最终选择卡尔曼平滑算法提取模型系数,然后将提取的特征用简单的线性分类器进行分类。实验结果表明测试集的分类正确率达到了94．08％,而且这种特征提取方法有很好的时间分辨率,适合于在线分类。这是一种正确率高,时间分辨率高,适合在线分类的好方法。     

基于互信息的脑网络及测谎研究

互信息分析方法是基于信息论提出的一种描述两信号间信息交互情况的算法,其在脑电信号领域的有效性已得到了充分证实.针对当前测谎方法中脑电信号特征提取困难以及大脑整体认知功能分析在脑认知科学研究中越来越被重视的情况,本文首次将互信息分析方法应用到脑电测谎领域中,使用互信息量化大脑各节点之间的相关性,对计算结果进行统计分析,选取出在两类人群中具有显著性差异的电极对的互信息作为分类特征,进行模式识别,得到了99.67%的准确率.这一结果表明,互信息分析方法是一种有效的脑功能连接分析方法,为基于脑电信号连接分析的测谎研究提供了一种新的途径.另外,对说谎与诚实两类受试者的大脑功能网络的分析结果表明：处于说谎状态时,大脑的额叶、顶叶、颞叶及枕叶之间协同实现谎言功能,并在躯体行为所对应的脑区与其他脑区的连接上也表现出相对诚实组的显著性差异,以上结果均有助于进一步揭示谎言的神经活动机制.     

Temporally constrained ICA: an application to artifact rejection in electromagnetic brain signal analysis

Independent component analysis (ICA) is a technique which extracts statistically independent components from a set of measured signals. The technique enjoys numerous applications in biomedical signal analysis in the literature, especially in the analysis of electromagnetic (EM) brain signals. Standard implementations of ICA are restrictive mainly due to the square mixing assumption-for signal recordings which have large numbers of channels, the large number of resulting extracted sources makes the subsequent analysis laborious and highly subjective. There are many instances in neurophysiological analysis where there is strong a priori information about the signals being sought; temporally constrained ICA (cICA) can extract signals that are statistically independent, yet which are constrained to be similar to some reference signal which can incorporate such a priori information. We demonstrate this method on a synthetic dataset and on a number of artifactual waveforms identified in multichannel recordings of EEG and MEG. cICA repeatedly converges to the desired component within a few iterations and subjective analysis shows the waveforms to be of the expected morphologies and with realistic spatial distributions. This paper shows that cICA can be applied with great success to EM brain signal analysis, with an initial application in automating artifact extraction in EEG and MEG.     

基于多尺度卷积特征融合的癫痫脑电信号识别

脑电信号(electroencephalography,EEG)已成为医生诊断神经系统疾病最 广泛使用的工具,实现癫痫EEG的自动识别对 于癫痫患者的临床诊断和治疗具有重要意义。为了提高癫痫EEG的识别精度,提出了一 种基于多尺 度卷积特征融合的癫痫EEG自动识别模型。首先采用多尺度卷积特征融合方法提取多粒 度数据特征, 实现卷积神经网络(convolutional neural network,CNN)中不同层次的信息互补;然后经过长短期记忆网络(long short-term memory network,LSTM)提取时间 特征,利用 softmax分类器给出最终的识别结果。为了评估提出方法的识别性能,在波恩大学癫痫病研 究中心数据集 中进行实验,并与CNN-LSTM模型、单一的LSTM等模型的识别性能进行了比较,实验结果表 明,提出 方法的识别精度明显高于其余方法, 平均可达到99.19%。该模型能够 有效识别癫痫EEG类别,具有较高的识别性能和临床应用潜力。     

基于Gamma深度信念网络的飞行员脑疲劳状态识别

飞行员疲劳状态识别面临两个重要问题,如何提取表征疲劳的特征以及如何对疲劳特征建模学习.首先提取脑电信号节律波,计算基于仿射伪平滑Wigner-Ville分布的瞬时频域信息,构建疲劳状态指标.其次,基于脑电信号各通道的周期性变化提出Gamma深度信念网络的疲劳状态分类算法,与采用卷积与池化运算的学习网络不同,Gamma深度信念网络没有将图像或信号按尺度分割,但在底部的隐藏层已经可以有效地学习特定区域的特征,且当层数增加时,可有效提取特征的区域增多,学习到的特征更为一般化.然后改进用于训练深度信念网络的Gibbs采样算法,提出向上向下Gibbs采样以推断网络参数.最后,实验结果显示,本文的Gamma深度信念网络在识别准确率、稳定性、迭代用时等方面均达到了令人满意的效果.     

基于深度时空特征融合的多通道运动想象EEG解码方法

脑电(EEG)是一种在临床上广泛应用的脑信息记录形式,其反映了脑活动中神经细胞放电产生的电场变化情况。脑电广泛应用于脑-机接口(BCI)系统。然而,研究表明脑电信息空间分辨率较低,这种缺陷可以综合分析多通道电极的脑电数据来弥补。为了从多通道数据中高效地获取到与运动想象任务相关的辨识特征,该文提出一种针对多通道脑电信息的卷积神经网络(MC-CNN)解码方法,先对预先选取好的多通道数据预处理后送入2维卷积神经网络(CNN)进行时间-空间特征提取,然后利用自动编码(AE)器把这些特征映射为具有辨识度的特征子空间,最后指导识别网络进行分类识别。实验结果表明,该文所提多通道空间特征提取和构建方法在运动想象脑电任务识别性能和效率上都具有较大优势。     

基于fMRI功能网络和贝叶斯矩阵分解的脑电源成像方法

脑电(EEG)是一种重要的脑功能成像技术,根据头皮记录的EEG信号重构皮层脑活动称为EEG源成像。然而脑源活动位置和尺寸的准确重构依然是一个挑战。为充分利用EEG和功能磁共振(fMRI)信号在时空分辨率上的互补信息,该文提出一个新的源成像方法——基于fMRI脑网络和时空约束的EEG源重构算法(FN-STCSI)。该方法在参数贝叶斯框架下,基于矩阵分解思想将源信号分解为若干时间基函数的线性组合。此外,为融合fMRI的高空间分辨率信息,FN-STCSI利用独立成分分析提取fMRI信号的功能网络,构建EEG源成像的空间协方差基,通过变分贝叶斯推断技术确定每个空间协方差基的相对贡献,实现EEG-fMRI融合。通过蒙特卡罗数值仿真和实验数据分析比较了FN-STCSI与现有算法在不同信噪比和不同先验条件下的性能,结果表明FN-STCSI能有效融合EEG-fMRI在时空上的互补信息,提高EEG弥散源成像的性能。     

Fourier-Based Feature Extraction for Classification of EEG Signals Using EEG Rhythms

In this paper, we propose a method for the analysis and classification of electroencephalogram (EEG) signals using EEG rhythms. The EEG rhythms capture the nonlinear complex dynamic behavior of the brain system and the nonstationary nature of the EEG signals. This method analyzes common frequency components in multichannel EEG recordings, using the filter bank signal processing. The mean frequency (MF) and RMS bandwidth of the signal are estimated by applying Fourier-transform-based filter bank processing on the EEG rhythms, which we refer intrinsic band functions, inherently present in the EEG signals. The MF and RMS bandwidth estimates, for the different classes (e.g., ictal and seizure-free, open eyes and closed eyes, inter-ictal and ictal, healthy volunteers and epileptic patients, inter-ictal epileptogenic and opposite to epileptogenic zone) of EEG recordings, are statistically different and hence used to distinguish and classify the two classes of signals using a least-squares support vector machine classifier. Experimental results, with 100 % classification accuracy, on a real-world EEG signals database analysis illustrate the effectiveness of the proposed method for EEG signal classification.     

Spatiotemporal emotion recognition based on 3D time-frequency domain feature matrix

The research of emotion recognition based on electroencephalogram (EEG) signals often ignores the relatedinformation between the brain electrode channels and the contextual emotional information existing in EEG signals,which may contain important characteristics related to emotional states. Aiming at the above defects, aspatiotemporal emotion recognition method based on a 3-dimensional (3D) time-frequency domain feature matrixwas proposed. Specifically, the extracted time-frequency domain EEG features are first expressed as a 3D matrixformat according to the actual position of the cerebral cortex. Then, the input 3D matrix is processed successivelyby multivariate convolutional neural network (MVCNN) and long short-term memory (LSTM) to classify theemotional state. Spatiotemporal emotion recognition method is evaluated on the DEAP data set, and achievedaccuracy of 87.58% and 88.50% on arousal and valence dimensions respectively in binary classification tasks, aswell as obtained accuracy of 84.58% in four class classification tasks. The experimental results show that 3D matrixrepresentation can represent emotional information more reasonably than two-dimensional (2D). In addition,MVCNN and LSTM can utilize the spatial information of the electrode channels and the temporal context information of the EEG signal respectively.