基于信号投影能量特征的脑电意识动态分类

针对脑电意识任务动态分类问题,本文提出了一种基于投影能量的特征提取方法来提取反映不同思维状态的脑电特征,并结合信息累积后验贝叶斯方法进行分类以提高脑-机接口系统的分类正确率。该方法通过使两类信号在投影基上的平均投影能量比达到极值,从而达到提高脑电信号分类准确度的作用。实验结果表明两个运动想象数据集上的最大正确率都达到90%左右,最大分类准确率、kappa系数和最大互信息等评价指标的比较也表明该方法能够有效提高BCI系统的性能,具有较好的实用性。     

小波滤波与AR模型在脑电信号处理的应用

针对脑-计算机接口技术中的脑电信号处理、事件相关同步和事件相关去同步的特点,提出了一种基于离散小波滤波和AR模型来提取脑电信号特征向量的方法。利用Daubechies类小波函数对脑电信号进行4层分解,然后使用Burg算法提取脑电信号8阶AR模型系数,最后用BP神经网络进行分类和比较。得到最优的正确率为71.64%,小波滤波的效果要优于FIR滤波器。     

卷积神经网络在脑疲劳检测中的研究

脑疲劳是由于持续进行脑力劳动导致的一种状态，脑电被认为是脑疲劳状态检测的最佳工具。如何选取合适的脑疲劳特征成为脑疲劳检测的关键问题，传统模式识别中手动提取特征会产生信息损失，针对脑电的时空特性，本文设计了具有时域卷积核、空间域卷积核的深层卷积神经网络和浅层卷积神经网络两种网络结构，将特征提取和状态分类合二为一，对正常态与疲劳态脑电数据进行分类，可视化了卷积神经网络的空间域卷积核。结果表明，浅层卷积神经网络平均分类正确率为98.868%，深层卷积神经网络平均分类正确率为98.217%，均高于传统分类方法，通过空间域卷积核的可视化，能够了解不同导联在网络中的参与程度，验证了该模型在脑疲劳检测任务中具有很高的有效性，同时为脑疲劳检测提供了新思路。      

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。     

在线脑机接口中脑电信号的特征提取与分类方法

在脑机接口研究中,针对运动想象脑电信号的特征抽取,提出了一种基于离散小波变换和AR模型的方法.利用Daubechies类小波函数对脑电信号进行3层分解,抽取小波变换系数的统计特征;利用Burg算法提取脑电信号6阶AR模型系数.将这两类特征进行组合后使用神经网络、支持向量机、马氏距离线性判别进行分类并比较分析.采用BCI...     

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％.     

基于云平台的互信息最大化特征提取方法研究

随着大规模基因芯片的应用,针对高维度的基因表达数据存在大量无关和冗余特征可能降低分类器性能的问题,提出了一种基于云平台的互信息最大化特征提取（CMI-Selection）方法。Hadoop云计算平台对基因表达数据划分后进行并行计算,同时结合互信息最大化方法对特征进行提取,实现了云计算平台上的特征过滤模型。实验结果表明,基于云平台的互信息最大化特征提取方法能够在保证较高分类精度的情况下,快速提取特征,节省大量时间资源,是一种高效的基因特征提取系统。     

用核学习算法的意识任务特征提取与分类

介绍了核学习算法中核主分量分析(KPCA)和支持向量机(SVM)的基本原理,给出一种推广误差上界估计判据,实现了SVM核参数及惩罚因子的优化选取.根据多变量自回归模型理论对4个受试对象、三种不同意识任务的脑电信号进行特征提取,并利用KPCA方法进行降维预处理,对SVM进行训练和分类测试.结果表明,KPCA算法在高维特征空间具有较强的特征选择能力,优化核参数的SVM的分类正确率明显高于径向基函数网络,三种意识任务的平均分类正确率达78.6％.     

基于PCANet和SVM的谎言测试研究

主成分分析网络（Principal Component Analysis Network,PCANet）是基于深度学习理论的一种非监督式的特征提取方法,它克服了手工提取特征的缺点,目前其有效性仅仅在图像处理领域中得到了验证。本文针对当前谎言测试方法中脑电信号特征提取困难的缺点,首次将PCANet方法应用到一维信号的特征提取领域,并对测谎实验的原始脑电信号提取特征,然后使用支持向量机（Support Vector Machine,SVM）将说谎者和诚实者的两类信号进行分类识别,将实验结果和其它分类器及未使用特征提取的分类效果进行了比较。实验结果显示相对未抽取任何特征的方法,提出的方法PCANet－SVM可以获得更高的训练和测试准确率,表明了PCANet方法对于脑电信号特征提取的有效性,也为基于脑电信号的测谎提供了一种新的途径。     

色彩感知中的脑电信号多域特征选择算法研究

针对目前在不同色彩感知中的脑电信号识别方面的研究还不多见,本文提出采用随机森林算法对信号的时域特征和频域特征进行最优组合的方法对不同色彩感知中的脑电信号进行识别。首先采用小波变换,对脑电信号进行7层分解,提取脑电信号在delta、theta、alpha和beta节律频带上的小波能量,并结合脑电信号在时域上的统计量偏度和峰度组成特征向量。然后通过基于随机森林的特征选择算法提取最优的特征组合方案,删除冗余的特征量。使用自适应增强算法进行分类识别,识别的平均正确率可达到85.07%。该结果表明使用本文所提出的特征提取与选择方法用于不同色彩感知中的脑电信号识别上是可行的,并且能够取得较好的识别率。      

An Algorithm for Idle-State Detection and Continuous Classifier Design in Motor-Imagery-Based BCI

Abstract-The development of asynchronous brain-computer interface （BCI） based on motor imagery （M1） poses the research in algorithms for detecting the nontask states （i.e., idle state） and the design of continuous classifiers that classify continuously incoming electroencephalogram （EEG） samples. An algorithm is proposed in this paper which integrates two two-class classifiers to detect idle state and utilizes a sliding window to achieve continuous outputs. The common spatial pattern （CSP） algorithm is used to extract features of EEG signals and the linear support vector machine （SVM） is utilized to serve as classifier. The algorithm is applied on dataset IVb of BCI competition Ⅲ, with a resulting mean square error of 0.66. The result indicates that the proposed algorithm is feasible in the first step of the development of asynchronous systems.     

An Algorithm for Idle-State Detection and Continuous Classifier Design in Motor-Imagery-Based BCI

The development of asynchronous braincomputer interface (BCI) based on motor imagery (MI) poses the research in algorithms for detecting the nontask states (i.e., idle state) and the design of continuous classifiers that classify continuously incoming electroencephalogram (EEG) samples. An algorithm is proposed in this paper which integrates two two-class classifiers to detect idle state and utilizes a sliding window to achieve continuous outputs. The common spatial pattern (CSP) algorithm is used to extract features of EEG signals and the linear support vector machine (SVM) is utilized to serve as classifier. The algorithm is applied on dataset IVb of BCI competition III, with a resulting mean square error of 0.66. The result indicates that the proposed algorithm is feasible in the first step of the development of asynchronous systems.     

Combining spatial filters for the classification of single-trial EEG in a finger movement task

Brain-computer interface (BCI) is to provide a communication channel that translates human intention reflected by a brain signal such as electroencephalogram (EEG) into a control signal for an output device. In recent years, the event-related desynchronization (ERD) and movement-related potentials (MRPs) are utilized as important features in motor related BCI system, and the common spatial patterns (CSP) algorithm has shown to be very useful for ERD-based classification. However, as MRPs are slow nonoscillatory EEG potential shifts, CSP is not an appropriate approach for MRPs-based classification. Here, another spatial filtering algorithm, discriminative spatial patterns (DSP), is newly introduced for better extraction of the difference in the amplitudes of MRPs, and it is integrated with CSP to extract the features from the EEG signals recorded during voluntary left versus right finger movement tasks. A support vector machines (SVM) based framework is designed as the classifier for the features. The results show that, for MRPs and ERD features, the combined spatial filters can realize the single-trial EEG classification better than anyone of DSP and CSP alone does. Thus, we propose an EEG-based BCI system with the two feature sets, one based on CSP (ERD) and the other based on DSP (MRPs), classified by SVM.     

基于C-LSTM模型的端到端多粒度运动想象脑电信号分析方法

脑电信号（Electroencephalography, EEG）是人的大脑在不同状态下产生的生物电信号。运动想象脑电信号是其中较为典型的一类信号，广泛应用于脑机接口技术中。对运动想象脑电信号分析的研究由来已久，目前主要采用公共空间模式等特征提取方法，对于如何提取更加有效的脑电信号特征以及如何对时序信息进行建模仍然是需要解决的问题。因此，本文设计了基于C-LSTM（Convolutional-Long Short Term Memory）模型的端到端多粒度脑电分析方法。并利用空间信息以及小波脑网络方法进行了改进，在BCI2008数据集上，相较传统方法提高了近10%，到达了93.6%的识别率。      

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。     

面向中高频SSVEP脑机接口的编解码算法研究

基于稳态视觉诱发电位(steady-state visual evoked potentials,SSVEPs)的脑-机接口系统(brain-computer interface,BCI)通常使用低频强闪烁刺激诱发强特征脑电信号。尽管相关数据处理技术日臻成熟,但是系统使用舒适度差,训练时间较长。提高刺激频率能够有效缓解受试者的视觉疲劳,提高系统友好度,然而现有中高频SSVEP系统又存在指令集数量少、信息传输率(information transfer rate,ITR)低等缺陷。针对以上问题,本文基于中高频SSVEP脑电特征,提出并使用了包含空码的Code Words编码范式与集成任务相关成分分析(ensemble task-related component analysis,eTRCA)解码算法,并研究了该套编解码方法的适用性与可扩展性。本研究选择中高频段的4个频率(20、24、30、40 Hz)分别构建脑控字符拼写系统,单个频率的闪烁刺激可独立构建多达6个控制指令,联合多个频率理论上可实现指令集数量的成倍扩增。共有10位健康受试者参与了离线脑电实验,利用18～60 Hz带通滤波对...     

BCI Competition 2003--Data set Ia: combining gamma-band power with slow cortical potentials to improve single-trial classification of electroencephalographic signals

In one type of brain-computer interface (BCI), users self-modulate brain activity as detected by electroencephalography (EEG). To infer user intent, EEG signals are classified by algorithms which typically use only one of the several types of information available in these signals. One such BCI uses slow cortical potential (SCP) measures to classify single trials. We complemented these measures with estimates of high-frequency (gamma-band) activity, which has been associated with attentional and intentional states. Using a simple linear classifier, we obtained significantly greater classification accuracy using both types of information from the same recording epochs compared to using SCPs alone.     

xDAWN Algorithm to Enhance Evoked Potentials: Application to Brain–Computer Interface

A brain-computer interface (BCI) is a communication system that allows to control a computer or any other device thanks to the brain activity. The BCI described in this paper is based on the P300 speller BCI paradigm introduced by Farwell and Donchin. An unsupervised algorithm is proposed to enhance P300 evoked potentials by estimating spatial filters; the raw EEG signals are then projected into the estimated signal subspace. Data recorded on three subjects were used to evaluate the proposed method. The results, which are presented using a Bayesian linear discriminant analysis classifier, show that the proposed method is efficient and accurate.