首页 > 文献资料
-
脑机接口中一种多类运动想象任务识别新方法
目的：针对脑机接口中三类运动想象任务，提出一种小二乘法自适应滤波结合独立成分分析以及样本熵（ RLS－ICA－SampEn ）、多类共同空间模式（ CSP ）、增量式支持向量机（ ISVM ）相结合的脑电识别新方法，以解决脑机接口中多类运动想象正确率低的问题。方法首先采用ICA将EEG分离，然后利用样本熵自动识别分离后的噪声，再采用RLS对识别出来的噪声进行滤波，后进行信号重构，得到去除噪声的脑电信号。多类CSP采用“一对一”CSP与多频段滤波相结合，对去噪后的脑电信号进行特征提取。通过“一对多”方式的ISVM对三类运动想象脑电信号获取的特征向量进行分类。为检验新方法的有效性，将本文方法与多类CSP＋ISVM（方法1）及RLS－ICA＋多类CSP＋ISVM（方法2）进行比较。结果对三类想象任务而言，本文方法识别正确率与方法1和2相比均高8％左右。结论与方法1和2比较，RLS－ICA－SampEn、多类CSP、ISVM相结合的脑电识别新方法能更好地适用于多类运动想象任务识别。
-
共同空间模式在少通道分类问题中的应用
在目前以运动想像为基础的脑机接口(BCI)系统中,共同空间模式(CSP)方法作为一种有效的处理方法被广泛使用.但这种基于多通道的空间滤波方法并不能对频域信息进行处理,而且在通道数较少的情况下也无法应用.将每个通道的多个频段看成是新的通道运用CSP,并以此方法获得了2008年BCI竞赛中数据集IIb的第二名,平均Kappa系数达到0.58.该方法充分利用信号频域信息,以解决通道数过少的情况下基于想像运动模式分类的难题.
-
基于小波包与共空间模式的脑电信号特征提取与分类
脑电信号特征提取与分类是脑机接口研究中的关键环节.首先对脑电信号进行预处理,利用小波包分解提取相应频段系数均值与对应能量作为时域,频域特征,随后利用共空间模式算法提取信号的空域特征,后采过支持向量机设计分类器.通过试验可知被试者的平均分类识别率能达到90%以上.
-
基于空间频率与时间序列信息的多类运动想象脑电分类
结合共同空间模式(CSP)、离散小波变换(DWT)和长短期记忆网络(LSTM)方法,提出一种基于空间频率与时间序列信息的多类运动想象脑电特征提取方法.首先利用滑动矩形窗获得时间序列脑电信号,并采用DWT从每一段脑电信号提取运动想象脑电相关的子带小波系数,其次将小波系数通过一对多CSP进一步特征提取,得到的特征作为LSTM的输入,然后对LSTM的时间序列输出在时间步上进行平均,后使用Softmax分类器进行分类.实验结果显示,新算法取得92.23％的准确率,相比CSP特征以及结合频率或时间序列信息的CSP特征有较大提升,表明空间、频率、时间序列信息的互补性和有效性.
