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.     

基于深度卷积网络的运动想象脑电信号分类方法

为了提高多分类运动想象脑电信号的解码精度,以此促进脑机接口系统在生产生活中的应用.采用基于深度卷积网络的LeNet和AlexNet模型分析四分类运动想象脑电特性.将脑电信号通过预处理、数据归一化和数据增强,然后分别输入两个模型中进行分类.通过与现有不同的特征提取和分类方法对比,实验结果表明,在多分类运动想象脑电解码研究...     

视觉引导下的运动执行与运动想象EEG时频特征对比分析

近年来基于运动想象(Motor imagery,MI)的脑-机接口(Brain-computer interface,BCI)技术迅速发展,广泛运用于各个领域.为了比较运动执行(Motor execution,ME)与MI脑电活动的差异,本文提出一种基于脑电信号(Electroencephalogram,EEG)时频域...     

基于SSVEP与运动想象的实时脑控阿凡达系统

针对当前在线脑机接口交互系统识别正确率比较低、模式单一、算法复杂度高等问题,设计基于SSVEP和运动想象的实时脑控实时算法并应用于脑控阿凡达系统。通过对6名受试者进行离线训练和在线测试,实验结果表明该系统较好地反映受试者的控制意图,所有受试者均可以基本准确地控制机器人,可实现多指令的控制,识别准确率高,可进一步推动脑机接口在实际领域的应用和发展。     

基于神经网络的运动想象分类研究

近年来,神经网络的模型不断得到完善,神经网络在运动想象分类任务中的应用越来越广泛,分类准确率不断提高。本文主要对传统的机器学习算法进行介绍与总结,在此基础上对深度学习网络模型的原理及应用进行了概括,主要分析卷积神经网络、生成对抗网络和胶囊网络这几种网络模型的优缺点及应用,并对多种网络模型组合分类或将单一网络模型中的多种特征进行组合分类的发展趋势进行展望,提出目前运动想象分类任务面临的问题及发展趋势。     

基于EEG微状态方法的视觉想象识别研究

运动想象M I是基于想象的脑机交互BCI中常用的任务,但M I不易习得和控制,且存在"BCI盲"现象,使得该类BCI的实用化受限.针对较易习得和控制的视觉想象VI任务进行识别,旨在构建基于VI的BCI(VI-BCI).招募了15名被试者参加2种动态图像的视觉想象任务并采集脑电EEG数据;然后采用EEG微状态方法研究了这...     

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。     

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。     

运动想象的机理研究与应用综述

随着脑研究和计算机技术的不断进步,脑机接口技术受到了广泛的关注,其中就包括运动想象技术。运动想象(Motor Imagery,MI)是一种没有实际执行动作的心理表征,而外部机构则是通过这种方法提取大脑信息,然后分析解读,将其进一步转化为相应的动作。对近些年脑机接口技术和运动想象的发展进行了简要介绍,对运动想象的机理进行了综述;对运动想象的一些应用场景和相关的问题进行了总结;对未来运动想象应用的领域和所需要探究的方面进行了展望。     

基于深度卷积网络的运动想象脑电信号模式识别

针对运动想象脑电信号(MI-EEG)分类准确率普遍偏较低的问题,引入基于深度框架的卷积神经网络模型(CNN).首先,使用短时傅里叶变换(STFT)和连续小波变换(CWT)得到两种不同解析度下的时频信息;然后将其与电极通道位置信息相结合并以三维张量的形式作为CNN的输入;其次,设计了两种基于不同卷积策略的网络模型Mixe...     

多特征融合的运动想象脑电特征提取方法

针对单一特征识别率低、自适应性差等问题,提出一种基于希尔伯特-黄变换（HHT）和共同空间模式（CSP）的特征提取方法HCHT。首先,对原始脑电信号（EEG）进行经验模态分解（EMD）得到固有模态函数（IMF）,并将IMF分量合并成新的信号矩阵;然后,对IMF进行希尔伯特谱分析,得到信号的时-频域特征;接着,对构造的信号矩阵进行进一步的CSP分解,将时-频域特征扩展成时-频-空域特征;最后,通过支持向量机（SVM）对特征集进行分类。在BCI Competition II数据集的实验表明,与HHT时-频域和CSP空域特征的方法相比,所提方法的识别准确率分别提高了7.5、10.3和9.2个百分点,且标准差更小。在智能轮椅平台进行在线实验的结果表明,HCHT能有效提高识别准确率和稳定性。     

基于能量熵的运动想象脑电信号分类

对脑电信号进行特征提取和分类是脑机接口研究的核心问题,利用不同运动想象脑电信号能量熵的变化,从能量熵中提取特征,利用自定义基于统计理论分类方法进行分类,结果均达到90%以上。     

Classification of multiple motor imagery using deep convolutional neural networks and spatial filters

Brain–Computer Interfaces (BCI) are systems that translate brain activity patterns into commands for an interactive application, and some of them recognize patterns generated by motor imagery. Currently, these systems present performances and methodologies that still are not practical enough for realistic applications. Therefore, this paper proposes two methodologies for multiple motor imagery classification. Both methodologies use features extracted by a variant of Discriminative Filter Bank Common Spatial Pattern (DFBCSP) presented in this paper. The frequency bands selection in this variant is carried out by a novel iterative algorithm that selects the frequency band that attains the highest classification accuracy for specific binary classification. For each binary combination of classes, a frequency band is selected. The resulting samples are then set into a matrix which feeds one or many Convolutional Neural Networks previously optimized by using a Bayesian optimization. The first methodology applies a Convolutional Neural Network (CNN) for the classification of all classes and the second is a modular network composed of four expert CNNs. In this modular network, each expert CNN performs a binary classification, and a fully connected network analyzes their results. To validate both approaches two datasets were used, the BCI competition IV dataset 2a and another presented in this paper recorded from eight subjects by using the OpenBCI device. The experimental results demonstrated an improvement in the classification accuracy over many classic intelligent recognition methods, without a high computation time in order that they can be implemented in an online application.     

三维虚拟学习环境的研究与应用

虚拟现实（VR）技术在教育领域的应用和发展丰富了现有教育体系中教与学的表现形式,它为建立以建构理论为理论基础的学习环境和学习模式起到了重要的推动作用。结合现有工作,阐述了以建构理论为理论基础的三维学习环境在远程教育上的运用。首先分析理论基础,而后探讨三维学习模式,最后以实例描述了建立三维虚拟学习环境的关键技术。     

基于脑机接口的智能康复系统的设计

为了辅助脊髓损伤所导致的瘫痪病人的运动功能重建,将脑机接口技术和功能性电刺激技术相结合,开发了一种可供瘫痪病人根据自己的运动意愿控制残肢运动的智能康复系统。该系统能够绕过患者体内受损的神经通路,直接将人的运动意图通过外部通路传达给功能性电刺激仪,刺激相应的神经肌肉,完成患者对残肢的直接控制。详细介绍了该系统的总体设计思路、脑机接口实验设计、特征提取与分类算法、功能性电刺激仪的设计等关键技术。初步实验表明,本康复系统能以95％以上正确率分析人的运动意图,控制功能性电刺激仪完成预定的刺激任务,恢复手部抓握动作,展现出巨大的实用价值。     

基于多智体多库协同的一种虚拟现实仿真界面构建技术

一、引言计算机仿真接口界面,随着计算机软硬件的不断提高也在快速地变化着。从其发展趋势中我们不难看出这一点:从早期的命令行提示编辑Command Line,到全屏幕菜单编辑(Menu based Editor),再到图形用户界面Graphic User In-terface(GUI),界面在不断追求如何更好地适应用户、与用户更直接地交互。其具体特点包括自然而又丰富的色彩、逼真而又完美的几何造型、柔和而又动听的环境声响、质感而又具有力反馈的实物等。这些人们所需要的真实感,一种技术是难以胜任的,它需要各种软、硬件技术的综合与集成。从目前的趋     

基于虚拟仪器LabVIEW的脑—机接口系统

给出了基于瞬态视觉诱发电位的脑-机接口系统在LabVIEW环境下的实现方案。该方案的关键部分是视觉刺激器的设计和脑电信号的提取两部分。不同的刺激模块代表了多种可能的选择,受试者注视屏幕上其中一个目标,分析诱发电位可判别试者所注视的目标。采用累加平均和滤波的方法提高信噪比,用于提取微弱的脑电信号。该方案能有效地诱发出可识别的具有特征性的视觉诱发电位,并且通过离线的信号处理能够提取出所诱发的视觉诱发电位。     

基于小波包和组合分类器的脑电信号分类

为了提高脑思维任务分类精度,提出了一种基于小波包分解和多分类器投票组合的运动想象任务分类方法。该方法利用小波包分解对经过预处理的脑电信号进行分解,提取所有频带上的相对小波包能量特征;根据不同脑思维任务下左右半脑各通道间的差异性对C3、C4两通道求取特定频带上的小波包系数的L-2范数作为特征;采用基于投票策略的组合分类器对两种联合特征进行分类,得到了92.85%的识别精度。实验结果表明,联合特征向量较好地反映了左右手运动想象脑电信号的事件相关去同步（ERD）和事件相关同步（ERS）的本质特性;组合分类器识别效果优于单一分类器。