支持向量机方法在运动意识识别中的应用

为有效识别与运动想像相关的脑电模式,提出基于支持向量机(SVM)的运动意识分类新算法,利用sym2小波基函数对脑电(EEG)信号进行6尺度分解后,从每级分解中提取绝对值最大的小波系数作为信号特征,构成有效特征向量输入SVM分类器,实现基于EEG的运动想像模式识别.实验数据采用脑机接口竞赛(2003)的脑电数据,实验结果表明采用径向基核函数的SVM分类器可有效地对EEG进行运动想像分类,具有良好的泛化推广能力,为脑机接口的运动意识分类提供了新思路.     

基于支持向量机的脑电信号分类方法研究

针对传统支持向量机分类方法在脑电信号处理中存在分类正确率低的问题,将聚类思想与二叉树支持向量机(SVM)结合,构造多类SVM分类器。实验以"BCI Competition 2005"中的Dataset IIIa为例,先对C3/C4导采集的四类运动想象脑电信号应用小波变换进行去噪。再在分析小波包频带划分特点的基础上,利用小波包进行分解与重构,获取相应的能量特征。最后应用改进后的SVM分类方法对特征信号进行分类。结果表明该方法分类正确率,可以达到91.12%;并且有效地减少了分类器的个数,最终达到较好的识别效果。     

基于SVM的四类运动想象脑电信号分类方法研究

针对传统支持向量机分类方法在脑电信号处理中存在分类正确率低的问题,将聚类思想与二叉树支持向量机结合构造多类SVM分类器。实验以“BCI Competition 2005”中的Dataset IIIa为例,先对C3/C4导采集的四类运动想象脑电信号应用小波变换进行去噪;再在分析小波包频带划分特点的基础上,利用小波包进行分解与重构,获取相应的能量特征;最后应用改进后的支持向量机(SVM)分类方法对特征信号进行分类。结果表明该方法分类正确率较高,可以达到91.12%,并且有效的减少了分类器的个数,最终达到较好的识别效果。     

组稀疏贝叶斯逻辑回归的P300信号通道自动选择算法

为了提高脑机接口中P300脑电信号的分类准确率和计算速度,提出一种组稀疏贝叶斯逻辑回归的P300脑电信号通道自动选择算法.该算法首先在贝叶斯框架下建立P300脑电信号的解码模型,其次提出先验的组自动相关确定(GARD)方法构建组稀疏约束下的P300脑电通道权重系数,最后通过最大似然估计来求解超参数并选出P300脑电通道最优子集,避免了大量的交叉验证过程.所提方法在BCI竞赛数据和自采集数据上进行了验证分析.实验结果表明,所提的方法能够自动选择P300脑电通道子集,提高了P300特征分类准确率.     

基于CSSD和SVM脑电分类技术的研究

本文研究的BCI实验是基于BC12003竞赛数据来对脑电信号分类。本文提出了一种脑电信号趋势的概念,使用支持向量机（SVM）作为分类器的算法。首先将BC12003竞赛数据通过中值滤波器和由小波函数构成的带通滤波器,然后用时间窗进行时域上地过滤,选取对于大脑思维活动现象表现最明显的一段数据,再通过共空域子空间分解（CSSD）从脑电信号中提取特征,最后基于提取的特征,通过SVM训练后,进行分类识别,分类识别率达到了85％～96％。实验中采用的特征提取方法和分类方法对于脑电信号的分类识别准确率提高了不少。     

基于遗传算法和概率神经网络提高脑机接口中脑电信号识别率

针对脑机接口（BCI）研究中存在脑电信号（EEG）识别率低的问题,提出一种基于遗传算法（GA）和概率神经网络（PNN）的GA—PNN识别方法．用该方法对EEG提取时频特征,构成模式识别的初始特征．以训练样本识别正确率为适应度函数,采用GA对初始特征进行组合优化．基于优选后的特征,用PNN对测试样本进行分类．该方法使EEG识别正确率达到92．499／5,与2003年BCI国际竞赛最好的处理结果（88．7％）相比,提高近4％,为BCI中EEG的识别提供了有效的手段．     

基于AR模型和SVM的果蝇振翅声分类

分别对3个不同品系果蝇的振翅声建立了AR模型,提取AR系数和白噪声序列的方差作为特征,然后用支持向量机(support vector machine,SVM)分类同种内的3个不同品系果蝇的振翅声。使用AIC准则确定AR模型的阶数,用Burg方法估计AR模型的参数,用重尾径向基函数作为支持向量机的核函数,实现对不同品系果蝇振翅声的特征提取和分类。实验结果表明3个品系的果蝇振翅声的分类正确率均达到了88%以上。     

基于小波包能量的脑电信号特征提取方法

在脑机接口研究中,针对运动想象脑电信号的特征抽取,提出了一种基于小波包变换和AR模型的特征提取方法.该方法首先利用小波包变换对大脑C3和C4处采集的2路运动想象脑电信号进行3层分解,抽取小波系数的能量特征;然后,利用Burg算法提取脑电信号的5阶AR模型系数;最后,将这2类特征组合,使用基于马氏距离的线性判别分类器对左右手运动想象脑电模式进行分类,正确率达到91.43%.该方法提取的特征向量较好地反应了运动想象脑电信号的事件相关去同步和事件相关同步的变化时程,为BCI研究中脑电信号的模式识别提供了新的思路.此外,该方法的识别率高,复杂性低,适合应用于在线脑机接口中.     

基于约束独立分量分析的脑电特征提取

针对脑机接口(brain computerinterface,BCI)系统特征提取较慢的现状,提出基于约束独立分量分析(constrainedindependentcomponentanalysis,cICA)的P300特征提取方法.首先,针对各位P300实验被试,通过EEG图像研究其特有P300时域特性;然后,根据P300特性构建参考信号,并将参考信号与独立分量分析(independentcomponentanalysis,ICA)方法结合,基于64导联EEG,提取出与P300相关度最大的独立分量;最后,依据提取出的独立分量构造3维特征向量进行分类.实验采用线性分类器,针对BCICompetitionIIdatasetIIb和BCICompetitionIIIdatasetII两组公共数据集进行了验证.结果表明,提出方法在3次叠加平均下识别正确率达671%,15次达952%,在相同实验条件下,分类时间也较其他方法缩短.     

一种重复二分CSP4类运动想象脑电信号特征提取算法

针对脑机接口（BCI）系统中4类运动想象的脑电信号ERD/ERS现象进行研究,提出了一种重复二分共同空间模式（RB-CSP）算法用于4类运动想象脑电信号的特征提取,并运用SVM进行分类研究. 实验结果表明,该方法与传统的4分类CSP扩展算法OVR-CSP相比,减小了算法复杂程度,缩短了信号处理时间,提高了准确率,为在线脑机应用提供了一种新的解决方法.      

基于粒子群优化支持向量机康复下肢外骨骼的脑电控制研究

为解决失能人群自主移动的问题,脑机接口(brain computer interface, BCI)已广泛应用于外骨骼领域,但脑电(electroencephalogram, EEG)信号因信噪比低等原因导致识别率一直难以提高。为提高基于脑机接口下肢外骨骼的信号识别率,采用粒子群优化支持向量机(particle swarm optimization-support vector machine, PSO-SVM)算法提高脑电信号识别率,取得了86.52%的脑电信号识别率。首先建立共空间模式(common spatial pattern, CSP)数学模型对脑电信号进行特征提取,随后建立基于粒子群优化的支持向量机分类模型,优化脑电信号分类关键参数,将最终的实验数据与传统的支持向量机分类方法比较,最后进行算法的验证及下肢外骨骼实验。实验结果表明：经过粒子群优化的支持向量机分类准确明显高于传统支持向量机分类。所提出粒子群优化支持向量机对脑电信号的特征识别方法可实现运动想象(motor imagery, MI)的精确识别,为脑机接口技术在康复外骨骼领域的应用提供理论基础和技术支持。     

融合频带能量特征和双向门控循环单元的运动想象意图识别

针对脑电信号分类正确率低的问题,结合频带能量、小波包变换和双向门控循环网络,提出了一种基于频带能量特征序列和深度学习算法的运动想象意图识别方法。首先,利用小波包变换对脑电信号进行分解、重构,获得运动想象相关频带信号;其次,对所得频带信号进行加窗,并滑动截取,通过计算所截每段信号能量,实现能量特征的时序化分解;最后利用双向门控循环网络对脑电信号进行识别并输出分类结果。实验结果表明:所提算法取得了92.1%的分类正确率,表明所提方法是切实可行的,能够有效改善分类识别率。     

一种基于S变换及样本熵组合特征的癫痫脑电信号分类方法

癫痫脑电信号的自动检测对癫痫的临床诊断与治疗具有重要意义。为了解决脑电信号采用单一特征识别率不高的问题,提出了一种基于S变换与样本熵组合的癫痫脑电信号自动识别方法。首先对原始信号进行S变换;然后对变换后脑电信号各节律的幅值分别求其波动指数,将其与原始信号计算得到的样本熵组合为特征向量;最后采用支持向量机进行癫痫脑电信号自动识别。实验结果表明:方法的分类准确率明显提高,准确率可达到98.94%。     

基于主成分分析和Fisher准则的脑电信号分类

脑-机接口(brain-computer interaction,BCI)利用脑电信号实现人脑与计算机或其它电子设备的通讯和控制,P300拼写范式是脑机接口中的一种常用方法。将遗传算法和支持向量机用于脑电信号的分类。选取三个实验者的实验数据作为处理对象,采用主成分分析和Fisher准则相结合提取特征。在用主成分分析降维后,Fisher准则进一步提取有效特征,提升分类准确率。本文采用用支持向量机对特征数据分类。Fisher准则在特征提取中良好的效果。     

基于主成分分析和Fisher准则的脑电信号分类

脑-机接口(brain-computer interaction,BCI)利用脑电信号实现人脑与计算机或其它电子设备的通讯和控制,P300拼写范式是脑机接口中的一种常用方法.将遗传算法和支持向量机用于脑电信号的分类.选取三个实验者的实验数据作为处理对象,采用主成分分析和Fisher准则相结合提取特征.在用主成分分析降维后,Fisher准则进一步提取有效特征,提升分类准确率.采用支持向量机对特征数据分类.Fisher准则在特征提取中具有良好的效果.     

采用相对小波能量法的脑-机接口设计

针对基于两种不同意识任务(想象左手运动和想象右手运动)的脑-机接口,提出采用相对小波能量的特征提取方法.首先深入研究了相对小波能量的计算方法,然后利用相对小波能量对脑电信号进行特征提取,最后采用支持向量机进行分类,并采用分类准确率和互信息作为该脑-机接口的评价标准.离线分析结果表明:分类准确率最高为85.7%,最大互信息为0.41比特.与较常用的自适应自回归(AAR)模型系数作为特征的方法相比,所提方法具有更高的识别准确率和互信息.     

基于运动想象脑电的在线脑机接口实验

针对脑机接口技术的研究和应用设计了基于运动想象脑电信号的在线机器人控制系统,包括USB脑电放大器、开放接口的采集和实验平台、基于小波变换和AR模型系数的特征提取算法、机器人控制电路、机器人.20位受试者在该系统上分别进行了80次在线试验,比较分析了3种不同手部运动想象脑电信号的区分度,运动想象脑电对机械手控制的平均准确度分别达到了85%,88%和90%.该控制系统为基于脑电信号的在线机器人控制系统的实现和识别率的提高提供了新思路,同时也为在线脑机接口技术的实验研究以及实际应用带来了方便.