首页 > 文献资料
-
基于不同特征参数的脑电信号分类
分别以自回归(autoregression,AR)模型系数、相关系数和信息熵作为信号特征对不同思维作业脑电(EEG)信号进行分类,其中相关系数和信息熵均是首次用于思维作业EEG信号的特征提取.实验结果显示,采用信息熵作为EEG信号特征的分类准确率总体上明显高于采用另两种特征参数,且受提取特征的数据分段长度的影响小,有利于提高基于思维作业实时脑- 机接口的通信准确度和速率.同时,研究结果也进一步证实了高频信息可用于EEG的分类.
-
基于想象左右手运动脑电特征提取及其统计特性分析
目的 基于想象运动的脑-机接口(BCI)系统中,探讨如何获取思维脑电、提取特征并对其进行准确而有效地分类.方法 利用小波变换方法构建小波系数提取不同思维脑电特征,并从统计学的角度对这些特征进行分析.结果 在实际动作前0.5～1 s左右,想象左右手运动时C3和C4处各自具有明显不同的脑电特征,且这些特征存在显著性差别(P＜0.05)说明小波系数能很好的反映不同思维脑电的特征.结论 小波分析方法可以有效抑制或消除噪声和提取反映不同思维的脑电特征,通过对构建出的小波系数特征作统计学上的特性分析发现不同思维脑电具有显著性差别,该特征为后续分析中得以被准确地转换(识别分类)提供了更为可靠的保证.
-
基于近似熵的思维脑电信号分类研究
采用近似熵(approximate entropy,Apen)作为脑电信号的特征参数对不同思维作业脑电信号进行了分类研究,并对近似熵算法中参数的选择以及互近似熵在思维脑电分类的应用进行了讨探.研究结果表明,近似熵特征在思维作业脑电信号的分类中取得了较好的应用效果.近似熵作为EEG的信号特征为提高思维作业脑电信号的分类正确率提供了一种新的途径,在基于思维作业BCI的应用中具有重要的实用价值.
-
基于想象左右手运动思维脑电的提取及分类研究
目的 在基于思维作业的脑-机接口中,探讨如何提取脑电信号特征并对其进行准确有效地分类.方法 对5例受试者进行3种不同思维作业试验,并对每例受试者两种不同思维作业脑电进行组合,随后用确定性自回归模型(fixed autoregressive models,FAR)和自适应自回归模型(adaptive autoregressive models,AAR)提取脑电特征,分别利用Burg's算法得到FAR特征系数和小均方误差算法得到AAR特征系数;后通过前向BP神经网络对这些特征进行分类.结果 利用FAR模型得到的佳分类结果为93.52%,利用AAR模型得到的佳分类结果仅为87.96%.结论 同AAR模型相比,FAR模型可以更好地提取不同思维脑电特征,并在采用合适识别分类算法基础上获得更佳分类效果.
-
基于想象左右手运动脑机接口实验研究及分析
探索一种实用的基于想象运动思维脑电的脑-机接口(Brain-computer interface,BCI)方式,通过寻找合适的信号处理方法,来提取能反映不同思维的脑电特征,以提高BCI系统通讯识别正确率,为终实现BCI应用奠定理论和实验基础.对6名健康受试者进行3种不同时段(箭头出现2s、1s和0s后提示按键)情况下想象左右手运动思维作业的信号采集实验,利用小波分析、前向反馈神经网络(BP神经网络)对离线实验数据进行处理和分析.对所有受试者三种情况下的延缓时间Δt2、Δt1和Δt0分析发现:Δt0与Δt1和Δt2之间都有显著性差异(P<0.05),而Δt1与Δt2之间没有显著性差异(P>0.05);三种情况下,平均分类正确率分别达到65.00%、86.67%和72.00%,实际按键前0.5～1 s左右,想象左右手运动的思维脑电特征信号都发生明显改变,且这些特征存在明显不同.在箭头出现1 s左右后提示随机按键情况下,可以获得更高的识别正确率,说明该方案提取的特征作为BCI系统外部装置控制信号是可行的,通过合理的实验设计获取的信号有助于识别正确率的提高,为BCI系统中思维任务的特征提取与识别分类提供新思路和方法.
-
高频成分在思维作业脑电信号分类中的应用
采用独立分量分析(ICA)去除脑电伪迹,AR模型提取信号特征、BP神经网络用于模式识别,对2～5种思维作业脑电信号进行了分类研究.研究结果的重要发现是:对于经过ICA去伪迹后的EEG信号,当分类特征取自20～100 Hz的高频范围时,分类准确率很高,与特征取自整个信号频段的分类结果大致相等,且大大超过利用2～35 Hz的低频EEG节律进行的分类.对于这一现象的解释是,不同思维作业过程中,大脑在工频电场作用下产生了不同的节律同化反应,致使EEG信号的高频部分带有更显著的思维调制信息,从而有利于提高分类准确率.这一现象的发现,为脑电节律同化反应提供了新的证据,也为思维脑电的高准确率分类和高精度脑-机接口的实现提供了新的方法.
