基于模糊化符号复杂度的脑电运动想象识别算法

提出一种基于模糊化符号复杂度的运动想象脑电信号特征提取与识别方法。在脑电信号的复杂度细粒化多符号度量中引入模糊算法,用sigmoid函数模糊化处理,逻辑判断得到模糊化符号复杂度。取细粒化指数n为2,提取模糊化符号复杂度作为特征值,最后利用支持向量机对脑电运动想象任务进行分类识别。实验结果表明,以模糊化符号复杂度为特征的分类方法,对左右手运动想象脑电信号的分类识别率最高达88.67%,优于二值化Lempel-Ziv复杂度算法。     

基于自适应Lempel-Ziv复杂度的情感脑电信号特征分析

脑电信号是研究人类情感的主要手段之一。将Lempel-Ziv复杂度算法应用在脑电情感分类方面,并对其进行相应改进。针对脑电信号变化微弱的情况,在二值化过程对原有二值化方法进行改进,采用自适应方法调整信号分段区域,提取脑电情感数据特征,刻画了相邻点之间的相互关系和细节信息。探究不同情感状态下、不同电极复杂度的变化规律,采用SVM进行特征分类,验证了所提取特征的质量和有效性。     

基于DTCWT的运动想象脑电特征提取

针对脑电信号采用单一特征识别存在自适应性差和识别率低等问题，提出一种基于双树复小波(DTCWT)的多特征融合的左右手运动想象脑电特征提取方法。对原始脑电信号进行DTCWT变换提取最佳时频段；对所提取的信号频段进行希尔伯特变换与Lempel-Ziv复杂度计算，将得到的时-频域特征与非线性特征组合为特征向量；采用线性判别分析(LDA)完成运动想象任务的分类。实验采用BCI CompetitionⅢ竞赛数据对该方法进行验证，仿真结果表明其识别准确率明显提高，最高可达89.84%。     

脑电信号的小波变换和样本熵特征提取方法

针对现有的采用单一的特征提取算法对运动想象脑电信号识别率不高的问题,提出一种结合小波变换和样本熵的特征提取方法.通过小波变换,把脑电信号进行3层分解,抽取出对应于脑电β节律频带的小波系数的能量均值和能量均值差,并结合脑电信号的样本熵组成特征向量,使用支持向量机分类器对左右手运动想象脑电信号进行分类.结果表明,结合小波变换和样本熵的特征提取方法明显优于仅采用小波变换、样本熵以及其他传统的特征提取方法,得到的最高正确识别率为91.43%.     

运动想象脑电信号识别研究

通过对运动想象脑电信号的分类,对受试者进行身份识别。采用一种盲源分离算法——二阶盲辨识对运动想象脑电信号进行处理,提高运动想象脑电信号的信噪比,进而采用Fisher距离对处理后的信号进行特征提取,最后采用BP神经网络对特征集进行分类,从而实现对受试者的身份识别。对3位受试者的4类运动想象脑电信号分别进行了分类识别,结果显示,4类运动想象脑电信号的识别率均达到80％左右,其中最高的是想象舌动脑电信号,其识别率达到88.1％,这在类似研究中属于较高的水平。     

基于改进EMD的运动想象脑电信号识别算法研究

针对现有的单一特征提取算法对运动想象脑电信号识别率不高的问题,提出一种以相关系数改进的经验模态分解(EMD)的特征提取算法。对已有的BCI竞赛数据中C3、C4两个通道脑电数据进行预处理,之后通过EMD对脑电信号进行分解,得到IMF分量。通过计算原始信号与各阶IMF分量之间的相关系数,选择具有较大相关系数的IMF作为特征,由这些IMF分量的能量特征和平均幅值差来组成脑电信号的特征。使用支撑矢量机分类器(SVM)对左右手运动想象脑电信号进行分类。实验结果表明,基于相关系数改进的EMD脑电信号的处理方法明显优于只用EMD的脑电处理方法,得到的最高正确识别率为88.57%。从而证明了该方法的有效性。     

基于邻接矩阵分解的脑电特征提取与分类方法

针对脑-机接口研究中运动想象脑电信号的特征提取问题,本文提出了一种基于脑功能网络邻接矩阵分解的新方法。首先采用多通道运动想象脑电信号构建脑功能网络,然后对相应的邻接矩阵进行奇异值分解,依据矩阵奇异值特征向量定义了脑电的特征参数,最后输入支持向量机分类器,对BCI Competition IV Data Sets 1中的四组数据进行分类识别。实验结果表明,基于脑功能网络邻接矩阵分解的特征提取和支持向量机分类器的方法能够以较高识别率区分不同的运动想象任务,为脑电特征提取研究提供了新的思路。     

基于运动想象的脑电信号特征提取研究

基于运动想象脑电信号的脑-机接口系统在医疗领域具有广阔的应用前景,被应用于运动障碍人士的辅助控制以及脑卒的预后康复。由于运动想象的脑电信号信噪比低、不平稳以及差异性显著,对脑电信号识别带来负面影响。一个有效的特征提取算法能够提高脑-机系统的脑电信号识别率。提出一种多通道的脑电信号特征提取方法,将数据矩阵分解为基矩阵与系数矩阵的乘积,以类间离散度做为性能判据对系数矩阵进行特征提取,提取可分性更高、维数更少的特征。结合脑电信号识别领域常见的分类器在2008年BCI竞赛数据集上进行验证,证明所提方法是有效的。     

运动想象脑电信号特征提取与分类算法研究

针对运动想象脑电信号特征提取困难,分类正确率低的问题,提出了利用小波熵进行特征提取并采用支持向量机（SVM）来分类的算法。计算运动想象脑电信号的功率,通过理论分析选择小波包尺度,对信号功率进行小波包分解并计算其小波包熵（WPE）,提取C3、C4导联的小波包熵插值组成特征向量,将特征向量作为分类器的输入送入支持向量机进行分类。采用国际BCI竞赛2003中的Graz数据进行验证,算法的最高分类正确率达97.56%。算法特征向量维数低、数据量小、分类正确率高,对运动想象脑电信号特征提取及分类的任务可以提供参考方法。     

多频带频域深度置信网络脑电特征识别算法

针对DBN（深度置信网络）脑电信号识别率不高的问题,提出了多频带频域深度置信网络（multi-band FDBN）算法进行特征提取.不同频带存在个体性差异,它们对于分类结果的贡献不完全相同,本文利用带通滤波器将原始的脑电信号分成多个频段,再采用FFT（快速傅里叶变换）将时域信号转换为频域信号并作归一化处理,最后将每个频段的频域数据输入DBN进行训练识别.线下实验证明,相比FDBN（频域深度置信网络）算法,多频带FDBN的平均准确率提高了3.25%,且标准差更小,鲁棒性更好.最后,在智能轮椅平台上,利用多频带FDBN算法基于左右手运动想象脑电信号控制轮椅完成了"8"字形路径,证明了该算法在脑电信号特征提取中的有效性.     

基于HHT运动想象脑电模式识别研究

脑机接口是一种变革性的人机交互, 其中基于运动想象(Motor imagery, MI)脑电的脑机接口是一类非常重要的脑机交互. 本文旨在探索有效的运动想象脑电特征模式提取方法. 采用在时域、频域同时具有很高分辨率的希尔伯特--黄变换(Hilbert-Huang transform, HHT),进而提取自回归(Auto regressive, AR)模型参数并计算运动想象脑电平均瞬时能量,从而构造特征向量, 最后利用能较好地适应运动想象脑电单次试验分类的支持向量机(Support vector machine, SVM)进行分类. 结果表明在Trial的5.5～7.5s期间, HHT特征提取方法平均分类正确率为81.08%, 具有良好的适应性;最高分类正确率为87.86%, 优于传统的小波变换特征提取方法和未经HHT的特征提取方法;在Trial的8～9s期间, HHT特征提取方法显著优于后两种特征提取方法. 本研究证实了HHT对运动想象脑电这一非平稳非线性信号具有很好的特征提取能力, 也再次验证了运动想象事件相关去同步(Event-related desynchronization, ERD)现象, 同时也表明运动想象脑电的脑--机交互系统性能与被试想象心理活动的质量密切相关. 本文可望为基于运动想象脑电的在线实时脑机交互控制系统的研究打下坚实的基础.     

脑电信号多维特征融合与分类算法研究

针对目前运动想象脑电信号特征提取单一,分类识别准确率低等现象,结合卷积神经网络分类器,提出了一种多维度特征加权融合的特征融合算法来提高运动想象脑电识别率。对预处理后的脑电信号进行小波包变换,提取其共空间特征、能量特征、边际谱熵特征以及非线性动力学特征,然后加权融合,使用卷积神经网络分类器分类。为验证算法的合理性,使用BCI-IV Dataset 2a数据集对提出的特征融合算法进行验证分析,结果表明,所提出的加权特征融合算法结合CNN分类器可以有效提高运动想象识别准确率。实验中,9位志愿者平均分类准确率达到75.88%,平均Kappa系数为0.70。     

混沌二进制序列的伪随机性和复杂性分析

分析和讨论了由经典的Lorenz混沌系统和Chebyshev映射所生成的二进制序列的伪随机性和复杂性,采用T.Kohda混沌二进制量化算法,将混沌系统所产生的实数序列转换为相应的二进制序列;从统计检验、自相关性、频谱、Lempel-Ziv复杂度和近似熵等多方面对序列的伪随机性和复杂性进行定量分析。统计分析结果表明对由混沌系统所产生的有限二进制序列逼近Lempel-Ziv意义的随机序列,它具有较高的伪随机性、复杂性和非周期性,但是序列的伪随机性和复杂性并不随序列长度的增加而提高,在近似熵评价指标中呈显出降低的趋势。同时,作为伪随机源,Lorenz混沌系统略比Chebyshev映射好。     

双树复小波特征在运动想象脑电识别中的应用

提出了一种基于双树复小波变换的运动想象脑电信号特征提取方法。针对传统离散小波抗混叠性差的缺陷,采用双树复小波变换对脑电信号进行分解与重构,得到各子带信号能量并进行归一化处理,选取α、β节律信号的归一化能量作为想象运动的特征进行SVM分类。通过对仿真信号的分析,证实双树复小波变换具有良好的混叠抑制能力和抗噪性。最后选用国际脑机接口竞赛和实验室实测的运动想象数据进行分类识别。实验结果表明,双树复小波变换是一种有效的特征提取方法,其运动想象特征的识别率要优于常用的特征分析方法。     

多通道三维视觉指导运动想象脑电信号特征选择算法

针对基于三维视觉指导的运动想象脑机接口多通道冗余信息较多、分类准确率差的问题,提出了一种基于小波包分解（WPD）—共空间滤波（CSP）—自适应差分进化（ADE）的模式脑电信号特征提取与选择分类方法。首先,对采集的多通道运动想象脑电信号进行WPD变化,划分出精细的子频带;然后,分别将WPD变换后的每个子空间作为CSP的输入,得到对应的特征向量;最后,使用ADE算法对特征向量进行选择,选择出用于分类的最佳特征子集。采用WPD-CSP-ADE模式进行特征提取与选择,较经典的WPD-CSP方法在分类正确率、特征个数方面有着更好的表现。同时,所提算法分类性能明显优于遗传算法、粒子群算法。实验结果表明,WPD-CSP-ADE方法能够有效地提高分类正确率,同时减少了用于分类的特征个数。     

免疫多域特征融合的多核学习SVM运动想象脑电信号分类

针对多通道四类运动想象(Motor imagery, MI)脑电信号(Electroencephalography, EEG)的分类问题, 提出免疫多域特征融合的多核学习SVM (Support vector machine)运动想象脑电信号分类算法.首先, 通过离散小波变换(Discrete wavelet transform, DWT)提取脑电信号的时频域特征, 并利用一对多公共空间模式(One versus the rest common spatial patterns, OVR-CSP)提取脑电信号的空域特征, 融合时频空域特征形成特征向量.其次, 利用多核学习支持向量机(Multiple kernel learning support vector machine, MKL-SVM)对提取的特征向量进行分类.最后, 利用免疫遗传算法(Immune genetic algorithm, IGA)对模型的相关参数进行优化, 得到识别率更高的脑电信号分类模型.采用BCI2005desc-Ⅲa数据集进行实验验证, 对比结果表明, 本文所提出的分类模型有效地解决了传统单域特征提取算法特征单一、信息描述不足的问题, 更准确地表达了不同受试者个性化的多域特征, 取得了94.21%的识别率, 优于使用相同数据集的其他方法.     

基于希尔伯特变换联合卷积神经网络的脑电信号识别方法

传统运动想象脑电信号识别方法需要人为提取大量特征,识别性能受研究人员经验影响较大,主观性强;提出一种基于希尔伯特变换(HT)联合卷积神经网络(CNN)的运动想象脑电信号自动识别方法,首先利用HT对原始EEG信号进行分析,实现一维数据向二维幅-相图像转换的同时增加信息提取维度;然后将其作为输入利用CNN层次化的对幅-相二维图像进行理解和解译,自动提取特征并完成分类识别,基于BCI竞赛中所用Graz数据集开展试验,结果表明相对于传统特征提取方法,文章所提算法在低、中、高信噪比条件下均能获得更好的识别性能,具有更强的噪声鲁棒性.     

多类运动想象脑电信号的两级特征提取方法

共同空间模式（Common spatial pattern,CSP）是运动想象脑机接口（Brain-computer interface,BCI）中常用的特征提取方法,但对多类任务的分类正确率却明显低于两类任务.通过引入堆叠降噪自动编码器（Stacked denoising autoencoders,SDA）,提出了一种多类运动想象脑电信号（Electroencephalogram,EEG）的两级特征提取方法.首先利用一对多CSP（One versus rest CSP,OVR-CSP）将脑电信号变换到使信号方差区别最大的低维空间,然后通过SDA网络提取其中可以更好表达类别属性的高层抽象特征,最后使用Softmax分类器进行分类.在对BCI竞赛IV中Data-sets 2a的4类运动想象任务进行的分类实验中,平均Kappa系数达到0.69,表明了所提出的特征提取方法的有效性和鲁棒性.