基于经验模态分解和SVM的脑电信号分类方法

脑电信号的非线性、非平稳性造成对运动想象脑电信号的分类识别存在特征提取困难、可区分性低以及分类识别性能差等问题。本文提出一种基于经验模态分解(Empirical Mode Decomposition, EMD)和支撑向量机(Support Vector Machine, SVM)的运动想象脑电信号分类方法,充分利用EMD算法在处理非线性、非平稳信号的自适应性以及SVM在小样本条件的高识别性能和强泛化能力。首先利用EMD算法将C3、C4导联信号分解为一系列本征模函数(Intrinsic Mode Function, IMF),然后从IMF的信息和能量等维度提取特征将脑电信号转换至区分性更强的特征域,最后利用SVM进行分类识别。采用国际BCI竞赛2003中的Graz数据进行验证,所提方法可以得到94.6%的正确识别率,为在线脑-机接口系统的研究提供了新的思路。     

基于多特征和BP神经网络的脑-机接口研究

研究了一种基于运动想象识别的脑-机接口(BCI)系统,通过提取想象过程中的脑电信号(EEG)中Alpha波特征,采用多特征分类的方法,以提高脑-机接口系统运动想象识别的正确率。针对脑电信号单特征分类精确度低、耗时长等缺点,采用自回归模型法、统计特征提取和频域分析的方法对Alpha波提取多个特征值,利用BP神经网络进行分类,对运动想象进行识别。通过实验验证了其识别率较高,取得了预期的效果,证明了多特征融合结合BP神经网络运用于脑机接口系统的可行性。     

基于时频域的卷积神经网络运动想象脑电信号识别方法

针对目前运动想象脑电（EEG）信号识别率较低的问题，考虑到脑电信号蕴含着丰富的时频信息，提出一种基于时频域的卷积神经网络（CNN）运动想象脑电信号识别方法。首先，利用短时傅里叶变换（STFT）对脑电信号的相关频带进行预处理，并将多个电极的时频图组合构造出一种二维时频图；然后，针对二维时频图的时频特性，通过一维卷积的方法设计了一种新颖的CNN结构；最后，通过支持向量机（SVM）对CNN提取的特征进行分类。基于BCI数据集的实验结果表明，所提方法的平均识别率为86.5%，优于其他传统运动想象脑电信号识别方法；同时将该方法应用在智能轮椅上，验证了其有效性。     

基于LMD和CSP的多域融合脑电信号分类方法

运动想象脑电信号非平稳、非线性和微弱性特征明显,采用传统单一维度特征进行分类时存在识别率低、鲁棒性差的问题。提出一种基于局部均值分解(Local Mean Decomposition, LMD)和共空间模式(Common Spatial Pattern, CSP)的多域融合脑电信号分类方法,采用LMD对运动脑电信号进行自适应分解得到多个乘积分量(Product Function, PF),进而从PF中提取反映不同信号差异特性的12维时-频域特征,将PF作为CSP的多通道数据进行分解,并提取18维空域特征。利用相关向量机(Relevance Vector Machine, RVM)分类器对30维时-频-空域特征进行特征选择和分类识别,在自动确定最优分类特征的同时获得理想的分类结果。基于BCI竞赛数据开展实验,结果表明,所提方法可以获得优于95%的正确分类性能,并且在低信噪比条件下具有较强的噪声稳健性。     

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%。     

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。     

一种新的BP学习算法及在运动想象脑电信号分类识别中的应用

对运动想象(MI)脑电信号的正确分类是决定基于运动想象脑电的脑－机接口(BCI)性能的关键因素。为有效地提取MI脑电信号特征、提高分类正确率,提出一种基于单形进化的BP神经网络优化算法(BPSSSE)并运用于MI脑电信号的识别,提取自相关(AR)模型参数和希尔伯特边际谱作为特征输入,通过单形进化算法优化BP神经网络学习性能,实现对MI脑电信号的分类。测试实验中,对BCI竞赛数据进行左右手分类。结果表明在4s~ 8s时间段内平均分类正确率为80.17%,最高分类正确率为87.14%,证明了本文算法在基于MI脑电的脑机交互控制系统中应用研究的有效性和可行性。     

基于PCA融合PSO-SVM的运动想象脑电信号分类方法

运动想象脑电信号的分类识别是当前脑机接口(BCI)技术面临的难点。针对该问题,提出一种融合主成分分析(PCA)和粒子群优化-支撑向量机(PSO-SVM)的运动想象脑电信号分类方法。首先利用PCA对采集到的高维脑电信号进行分析,剔除其中噪声分量并提取三维反应不同脑电信号差异特性的特征向量。然后利用SVM对特征向量进行分类,同时针对SVM分类性能受核参数影响较大的问题,利用PSO算法的全局寻优能力对其进行优化,从而提升SVM的分类性能。最后采用BCI竞赛中所用Graz数据进行实验,结果表明所提的PCA融合PSO-SVM方法可以获得95.3%的分类性能,在低信噪比条件下具有鲁棒性和较高的应用前景。     

基于多类运动想象任务的EEG信号分类研究

针对多类运动想象脑电信号个体差异性强和分类正确率比较低的问题,提出了一种时-空-频域相结合的脑电信号分析方法:首先利用小波包对EEG原始信号进行分解,根据EEG信号的频域分布提取出运动想象脑电节律,通过“一对多”共空间模式(CSP)算法对不同运动想象任务的脑电节律进行空间滤波提取特征;然后将特征向量输入到“一对多”模式下的支持向量机(SVM)中,并利用判断决策函数值的方法对SVM的输出结果进行融合;最后通过引入时间窗对脑电信号进行时域滤波,消除运动想象开始和结束时脑电的波动,进一步提高信号信噪比和算法的分类效果;实验结果显示:在时间窗为2 s时,平均最大Kappa系数达到了0.72,比脑机接口竞赛第一名提高了0.15,验证了该算法能够有效减小脑电信号个体差异性影响,提高多类识别正确率。     

基于贝叶斯网络的运动想象脑电信号分析

传统运动想象脑电信号判别分析方法存在提取特征数量多、不能反映脑电信号本质特征等问题。为此,提出一种基于贝叶斯网络结构的直观判别分析方法,用于描述进行左右手运动想象时各个导联脑电信号所组成网络的结构差异。在结构学习中引入各个导联的位置信息,利用连续高斯分布对其进行描述,以充分反映脑电信号的高时间、空间分布特征,实现对左右手运动想象脑电信号的网络建模。分别在国际脑电比赛数据集及实验室采集的数据集上进行实验,结果表明,该方法能准确反映各个导联脑电信号的特征及导联之间的关联情况,与PCA+fisherscore方法相比,具有较高的识别率和稳定性。     

运动想象脑电信号的跨域特征学习方法

运动想象脑电信号采集成本高且个体差异大,跨个体域构建脑电信号模式识别模型属于典型的小样本跨域学习任务。针对该任务,提出了一种运动想象脑电信号的跨域特征学习方法。该方法首先选择最优度量方法对齐协方差并提取共同空间模式特征;其次,在该特征基础上采用领域自适应方法学习目标域的最优跨域特征。为验证所提方法的可行性与有效性,采用经典模型识别跨域特征,在两个公开的数据集上进行对比实验。实验结果表明,通过所提方法学习到的跨域特征,在运动想象模式识别中,明显优于现有方法学习到的特征。此外,还详细对比了跨域特征学习方法的各项参数设置、性能及效率。     

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SAE和GNDO-SVM的脑电信号情绪识别

情感计算是现代人机交互中的关键问题, 随着人工智能的发展, 基于脑电信号(electroencephalogram, EEG)的情绪识别已经成为重要的研究方向. 为了提高情绪识别的分类精度, 本研究引入堆叠自动编码器(stacked auto-encoder, SAE)对EEG多通道信号进行深度特征提取, 并提出一种基于广义正态分布优化的支持向量机(generalized normal distribution optimization based support vector machine, GNDO-SVM)情绪识别模型. 实验结果表明, 与基于遗传算法、粒子群算法和麻雀搜索算法优化的支持向量机模型相比, 所提出的GNDO-SVM模型具有更优的分类性能, 基于SAE深度特征的情感识别准确率达到了90.94%, 表明SAE能够有效地挖掘EEG信号不同通道间的深度相关性信息. 因此, 利用SAE深度特征结合GNDO-SVM模型可以有效地实现EEG信号的情绪识别.     

采用多路图注意力网络的情绪脑电信号识别方法

情绪是一种大脑产生的主观认知的概括。脑信号解码技术可以以一种较客观的方式来有效地研究人的情绪及其相关认知行为。本文提出了一种基于图注意力网络的脑电情绪识别方法(multi-path graph attention networks, MPGAT),该方法通过对脑电信号通道建图,利用卷积层提取脑电信号的时域特征以及各频带的特征,使用图注意力网络进一步捕捉情绪脑电信号的局部特征以及各脑区之间的内在功能关系,进而构建出更好的脑电信号表征。MPGAT在SEED和SEED-IV数据集的跨被试情绪识别平均准确率分别为86.03%、72.71%,在DREAMER数据集的效价(valence)和唤醒(arousal)维度的跨被试平均准确率分别为76.35%和75.46%,达到并部分超过了目前最先进脑电情绪识别方法的性能。本文所提出的脑电信号处理方法有望为情绪认知科学研究与情绪脑机接口系统提供新的技术手段。     

基于图卷积网络的运动想象识别

运动想象识别将大脑的神经活动信号转为编码输出以实现意念控制,是脑机接口的一个重要研究方向。近年来深度学习算法的应用进一步提高了运动想象识别的准确率,但是当前基于深度学习的运动想象分析都将多路脑电信号作为二维矩阵信号,忽视了不同节点的空间关联信息。为了解决这个问题,将图卷积网络算法应用到运动想象分类中,通过多个节点脑电信号的相关系数建立脑电图结构,提取脑电信号的时频域特征信息作为输入,再经过图卷积网络进行节点特征聚合以学习谱域特征,最后通过全连接层输出分类结果。该方法在BCI Competition IV Dataset 2a数据集上取得80.9%的准确率和0.74的kappa系数,相比其他方法可以充分学习时、频、谱域的特征信息,取得更好的识别效果,为运动想象脑机接口提供一种新的思路和方法。     

Clustering technique-based least square support vector machine for EEG signal classification

This paper presents a new approach called clustering technique-based least square support vector machine (CT-LS-SVM) for the classification of EEG signals. Decision making is performed in two stages. In the first stage, clustering technique (CT) has been used to extract representative features of EEG data. In the second stage, least square support vector machine (LS-SVM) is applied to the extracted features to classify two-class EEG signals. To demonstrate the effectiveness of the proposed method, several experiments have been conducted on three publicly available benchmark databases, one for epileptic EEG data, one for mental imagery tasks EEG data and another one for motor imagery EEG data. Our proposed approach achieves an average sensitivity, specificity and classification accuracy of 94.92%, 93.44% and 94.18%, respectively, for the epileptic EEG data; 83.98%, 84.37% and 84.17% respectively, for the motor imagery EEG data; and 64.61%, 58.77% and 61.69%, respectively, for the mental imagery tasks EEG data. The performance of the CT-LS-SVM algorithm is compared in terms of classification accuracy and execution (running) time with our previous study where simple random sampling with a least square support vector machine (SRS-LS-SVM) was employed for EEG signal classification. We also compare the proposed method with other existing methods in the literature for the three databases. The experimental results show that the proposed algorithm can produce a better classification rate than the previous reported methods and takes much less execution time compared to the SRS-LS-SVM technique. The research findings in this paper indicate that the proposed approach is very efficient for classification of two-class EEG signals.     

基于训练样本评估的CSP滤波器增量更新方法

由于脑电图(electro encephalo gram,EEG)能反映不同状态下大脑的思维活动,因此,基于EEG的运动想象识别已经成为一个新的研究热点。为了降低低质量样本对CSP(common spatial pattern)滤波器模型的组间传输性能的影响,提高正确率,提出了一种基于样本筛选的CSP滤波器增量更新方法。首先通过样本筛选的方法对EEG数据进行质量评估,然后剔除低识别率对应的单次训练数据,最后对优化后的样本所设计的CSP滤波器进行增量更新。实验室环境下,对EEG信号进行运动想象识别,其平均正确率达到80.92%,相比传统的CSP方法,五位受试者测试集的平均识别率分别提高了5.4%、5.6%、1.5%、8.6%和7.7%,实验结果验证了所提算法的有效性。     

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。     

基于卷积注意力机制的运动想象脑电信号识别

针对多类别运动想象脑电信号识别精度不高的问题,提出了一种融合注意力模块的卷积神经网络模型。该模型利用注意力模块充分挖掘脑电信号的通道和空间特征,建立其与识别任务之间的重要程度关系,从而提高运动想象脑电信号的识别准确率。信号经过共空间模式提高信噪比,利用小波变换将信号转换成二维时频图,通过注意力模块中通道和空间两个维度进行特征的调整,以强化有用特征弱化无用特征,使卷积网络充分提取更高层次的抽象特征,并最终执行运动想象任务的识别。分别在BCI竞赛IV Datasets 2a和BCI竞赛III-IIIa数据集上进行了有效性评价,并与卷积神经网络以及其他算法进行了比较。实验结果表明,提出的方法可达到良好的准确率,能够有效提高脑电信号运动想象任务的识别准确率。