首页 > 文献资料
-
基于CSP的多类运动想象脑电特征自动选择算法
目的 在基于协方差矩阵近似联合对角化(joint approximation diagonalization,JAD)的多类共空间模式(common spatial pattern,CSp)运动想象检测滤波器的设计过程中,需要对关键特征向量进行选择.较常用的基于“高得分特征值准则”的特征向量选择方法会出现不同类数据的高得分特征值对应同一个特征向量,因此导致无效CSP滤波器的出现,进而影响系统识别率.本文在传统JAD方法上提出一种特征值自动选择方法以解决特征值选择无效问题.方法 基于BCI Competition 2005dataⅢa(BCI2005)和实验室自主采集三类运动想象脑电(EEG)数据集,对不同想象类别数据对应同一个特征向量的异常现象进行实验分析.结果 在两个数据集自测试下,本方法的三类运动想象平均识别率分别达到82.78％和85.92％,比传统JAD提高3.44％和3.25％.结论 基于CSP的多类运动想象脑电特征自动选择算法能够有效解决特征值选择无效问题,进而提升运动想象BCI系统的分类识别率.
-
支持向量机后验概率方法在多任务脑机接口中的应用
基于运动想象的脑机接口是把使用者的运动意图转变成控制外部设备的信号,它包括脑电数据采集,特征提取和模式分类等几个基本环节.本研究发展了用支持向量机后验概率输出进行分类,并用分类结果中具有大概率的测试样本扩充训练集的模式分类与特征更新方法,并把此方法应用于4类任务运动想象脑机接口实验.使用BCI Competition Ⅲ的数据Ⅲa,运用一对一共空间模式扩展方法进行特征提取,用支持向量机后验概率方法进行分类和训练样本扩充.结果表明:概率信息能提高BCI的性能;应用概率信息选取样本扩充训练集能增加分类器的稳健性.
-
基于运动想象的脑机接口关键技术研究
基于运动想象的脑机接口技术,被广泛的认为是具有前景的一类脑机接口,但目前在该技术的发展过程中存在着一系列急需解决的问题.本文从信号获取、特征提取、模式分类、在线系统等方面,介绍了一些解决问题的方法,特别是基于笔者长期研究工作的系列解决方案.如信号获取中能够去除低频偏置的放大器设计方法;特征识别方面针对在运动想象脑机接口中广泛使用的共空间模式方法的改进算法,使其具有更强的抗噪音能力;模式识别方面所提出的基于线性判别分析的改进算法,以较大幅度提高分类准确率.后介绍了基于上述方法而设计实现的一种基于运动想象和运动启动电位的在线脑机接口系统.
关键词： 运动想象 放大器 共空间模式 模式识别 运动启动视觉诱发电位 -
功能近红外光谱与功能核磁共振运动想象脑机接口双模态比较研究
基于功能近红外光谱(fNIRS)的运动想象脑机接口(BCI)在中风患者神经康复训练发挥着不可或缺和日益重要的作用,但分类率较低.以功能核磁共振(fMRI)作为参考金标准,针对运动想象范式,本研究开展了fMRI-BCI与fNIRS-BCI的对照研究,以探究限制fNIRS-BCI分类率的主要因素.实验选取了12名被试,分别获取两种模态下左右手运动想象数据,并利用共空间模式算法提取空间特异性信息进行分类.从血液动力学响应来看,由于受到浅表血流信号干扰,fNIRS获取的运动想象在双侧运动区脑响应的对比度明显低于fMRI.同时,fMRI-BCI的分类准确率显著高于fNIRS-BCI,超过10个百分点,分别为80.3％±16.0％与67.3％±10.2％.这些结果表明,fNIRS及目前常用的拓扑式排布在获取脑皮层响应信息上存在不足,是运动想象fNIRS-BCI分类率较低的主要限制因素.
-
脑电信号识别及其在机械手臂控制中的应用
传统的时频分析方法利用的空间信息少，分类准确率低，针对此问题，本研究采用共空间模式算法对脑电信号进行特征提取，并利用支持向量机对特征进行分类，后通过串口将分类识别的结果用于控制机械手臂的运动。实验结果表明，共空间模式算法适用于基于运动想象的脑电信号特征提取，能有效克服传统时频特征提取方法空间信息利用不足的缺点，本次实验中的平均分类精度为86．1％。
-
融合脑电特征的弹性网特征选择和分类
脑机接口系统的核心问题之一是信号分类.本文针对脑电信号的异构融合特征的分类问题提出了一种新方法:封装式弹性网特征选择和分类.首先,对预处理后的脑电(EEG)信号联合应用时域统计、功率谱、共空间模式和自回归模型方法提取高维异构融合特征.其次,采用封装方式进行特征选择:对训练数据采用弹性网罚逻辑回归拟合模型,通过坐标下降法估计模型参数,运用10倍交叉验证选择出优特征子集.后采用已训练的优模型对测试样本进行分类.实验中采用国际BCI竞赛Ⅳ的EEG数据,结果表明,该方法适用于高维融合特征的优特征子集选择问题,对于EEG信号的识别不仅效果好、速度快,而且能够选出与分类更相关的子集,获得相对简单的模型,平均测试正确率达到了81.78％.
-
欠定盲源分离和共空间模式特征的脑电信号分类研究
眼电伪迹和噪声是导致脑电信号低信噪比的重要原因,会降低运动想象任务的分类性能.提出一种改进的基于少通道数的分块欠定盲源分离的滤波方法,通过分块的思想把非平稳的脑电信号变为近平稳的分块信号,利用二阶欠定混合矩阵盲识别方法估计混合分离矩阵,然后通过基于小均方误差的波速形成器提取源信号,接着通过得分准则自动去除噪声信号并重构信号,后提取共空间模式特征进行分类.想象运动的真实脑电信号实验仿真结果表明,分块欠定盲源分离方法能很好地恢复源信号并能有效地去除眼电等伪迹和噪声,共空间模式特征则提高了想象任务识别率.
-
脑电信号共空间模式模糊融合的研究
共空间模式(CSP)是脑电信号特征提取的主要方法,但它存在较严重的过拟合问题.本文提出对多通道脑电数据划分多个区域,分别用CSP算法提取各区域的脑电数据特征,对得到的各特征分别进行线性分类,用Cho-quet模糊积分融合各线性分类结果,有助于克服脑电信号处理的过拟合问题和提高脑电信号识别准确度,从而给出了脑电数据处理的一种新框架.采用2005年国际脑机接口(BCI)竞赛数据验证该处理框架,获得的识别准确率显著提高,并且在一定程度上解决了CSP的过拟合问题,显示了本框架处理脑电信息的有效性.
-
基于共空间模式方法的多类运动想象脑电的导联选择
脑-机接口(BCI)中常用高密度导联来获取脑电(EEG)信号的空间信息,为了避免使用过多导联给EEG采集工作带来不便,消除无关的噪声通道,本文提出了一种基于共空间模式(CSP)的导联优化方法,基于CSP方法得到的投影矩阵,使用2-范数的导联筛选准则,筛选出在投影空间中权重较大的M个导联,目的是用较少的导联来获得与使用高密度导联相近的分类识别率.实验数据使用BCI Competition 2005 DatasetⅢa,针对三个受试者的三类运动想象(左手、右手和脚),分别比较了使用该方法选择的导联和使用全部导联情况下得到的分类识别率.实验表明,使用筛选后的20导联得到的三个受试者的分类识别率,均高于使用全部60导联得到的分类识别率,从而验证了所提出方法的有效性和实用性.
-
基于多类运动想象任务的脑电信号分类研究
针对基于多类任务的运动想象(MI)脑电(EEG)信号的分类问题,使用共空间模式(CSP)特征提取方法,分别提取了“一对一”和“一对多”两种特征提取策略下的多类任务MI EEG信号的特征.结合特征提取阶段的不同策略设计了基于支持向量机(SVM)的多类任务分类方法,分类结果表明:基于各分类器决策值的“一对一”SVM分类输出的方法的分类效果明显优于基于投票输出方法,并且略高于“一对多”分类策略下的分类结果,说明了这一方法的有效性.
