基于运动想象脑机接口的AuFBCSP方法

针对基于运动想象的脑机接口问题,提出了一种新的特征提取方法,即加强的滤波带宽共同空间模式方法。与传统的滤波带宽共同空间模式方法相比,文中提出的方法充分考虑了被试在进行运动想象时发生事件相关去同步时段的特异性,从而得到更多的特征,并利用这些特征分类,取得更高的准确率和kappa值。在特征的选择上,利用BCI的竞赛数据,将基于互信息的方法和基于准确率的方法进行对比,发现基于准确率的特征选择方法优于基于互信息的特征选择方法。     

面向脑卒中疾病的运动想象脑机接口技术

脑卒中是一种高发病率和高致残率的疾病,目前已严重威胁人类健康.大部分脑卒中患者的并发症是不同程度的运动功能障碍.良好的康复训练是改善患者运动功能障碍的主要方法,但传统的被动式康复训练方法主要针对患者肢体训练,无法对受损的大脑运动神经中枢进行康复训练.基于人工智能和脑机接口技术的运动想象康复训练方法实现了患者主动的康复训...     

基于发音想象的脑机接口的研究综述

脑机接口作为患有交流或肢体障碍的病人与机器设备交流沟通的一种技术，近年来在生物医学工程、康复工程等领域受到广泛关注。基于发音想象的脑机接口作为一种新型的脑机接口方式，由于其具有为患有言语障碍的病人提供有效、舒适的言语交流的潜力，其相关研究正在迅速发展。本文首先介绍常见的基于发音想象的脑机接口所用到的信号采集技术，然后详述现有文献中的相关研究内容和信号处理算法，最后讨论基于发音想象的脑机接口存在的问题以及对未来工作进行展望。      

基于精细运动想象的脑机接口技术研究进展

基于运动想象的脑机接口(Motor Imagery based Brain-Computer Interface,MI-BCI)对运动康复具有重大意义.然而,现有MI-BCI指令集有限,在高维精细运动控制时,运动意图与动作输出无法匹配,不利于构建反馈真实运动意图的闭环运动康复系统.近年来,精细运动想象编解码研究逐渐受到...     

基于运动想象的异步在线脑-机接口系统

目前,运动想象脑-机接口( motor imagery brain computer interface,MIBCI) 的离线分析和研究相对比较成熟,但是异步在线MIBCI始终具有挑战性。针对在线BCI系统的识别率和控制方式,提出了利用共空间模式(common spatial pattern,CSP)算法对运动想象(motor imagery,MI)进行特征提取并结合alpha波进行异步控制。构建了一种简单实用的自主控制小球运动MIBCI实验系统。有四名受试者参加了在线实验,其中有两名受试者在线运动想象识别正确率最高能达到100%。实验结果验证了本文所建系统的可行性和实用性。      

基于LSTM的运动想象脑电信号分类方法

脑机接口是一种通过特定手段对脑电信号进行提取,利用信号处理算法解码,分析大脑信号,识别人脑的技术.为了提高二分类运动想象脑电信号的识别准确率,该文提出了一种基于LSTM神经网络的脑电信号分类方法,以2003年BCI国际竞赛的公开数据对所提出的方法进行验证.实验结果证明,LSTM神经网络训练出的模型具有良好的效果,分类的...     

基于深度学习的运动想象脑机接口研究综述

近年来,随着脑机接口（Brain-Computer Interface,BCI）技术的进一步发展,对特征提取技术的鲁棒性的需求也持续增加。深度学习（Deep Learning,DL）作为多层次的神经网络模型具有从高维数据中进行特征提取并从分层表示中学习的能力,在分类识别任务领域中的表现优于手工选择特征的传统机器学习方法。深度学习模型可以自动学习高维的EEG数据集从而提取有效特征,因此基于深度学习的脑机接口成为该领域新的研究趋势。卷积神经网络（Convolution Neural Network,CNN）、深度信念网络（Deep Belief Network,DBN）和递归神经网络（Recurrent Neural Network,RNN）是深度学习中对脑电信号进行分析的三大主流算法。主要介绍了这三大主流深度学习算法的基本原理。为了探索能更好契合脑电数据特点的分类模型,还探讨了它们在BCI中集成其他方法的实际运用。     

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...     

运动想象脑信号的深度置信网络分类优化

关于脑机接口（BCI）系统中的运动想象（MI）脑信号的特征提取一直是一个难题。相较于SSVEP、AEP和P300等其他BCI模式,MI的分类准确率相对较低,缺乏有效的识别方案。本文提出了一种结合深度置信网络（Deep Belief Network,DBN）和麻雀搜索算法（Sparrow search algorithm,SSA）的特征提取和分类识别算法SSA-DBN。融合SSA与DBN的优势,可以在保持较低计算复杂度的同时,提高特征提取和分类识别的准确率。本研究首先利用完全自适应噪声集合经验模态分解（CEEMDAN）方法提取信号的固有模态函数（IMF）特征。然后,将筛选出的适合分类识别的IMF分量与希尔伯特黄变换（HHT）方法相结合,提取出不同导联时频信号的特征空间向量,并进行叠加平均。最后,将特征向量输入到SSA-DBN算法进行分类处理。为确保公平性,在验证算法性能时,选取了具有代表性的BCI Competition IV Dataset 2a数据集,同时对比了其他算法的表现,并详细说明了调参方法。为了避免过拟合问题,可以考虑使用更大规模的数据集进行测试,如PhysioNet或BCI...     

运动意图的头皮脑电编解码及其脑-机接口研究进展

基于运动意图的脑-机接口(BCI)对人体运动功能增强、替代和康复具有重要研究意义与应用价值。其中,运动想象(MI)是最常用的表征运动意图的BCI范式。然而,传统MI-BCI通常仅实现不同肢体部位运动意图解码,且识别正确率较低,制约着精细运动控制与康复效果。针对上述问题,近年来研究者在单一肢体特定部位、运动学与动力学意图诱发头皮脑电编解码以及运动意图错误相关电位检测3个方面开展了一系列有意义的探索,并在高自由度的运动指令控制和面向卒中患者的临床康复应用方面取得了较大的研究成果。该文从运动意图的头皮脑电(EEG)编解码相关范式及其BCI应用两个方面综述了本领域研究进展,并探讨当前研究存在的问题和可能的解决方案,以期促进运动意图BCI技术的深入研究及开发应用。     

基于稳态视觉诱发电位的脑机接口元素尺寸和间距工效学研究

针对基于稳态视觉诱发电位(SSVEP)的脑机接口系统,该文开展了屏显刺激界面元素尺寸和间距对识别效率和用户体验影响的工效学实验研究。该工效学实验使用红色正方形作为频闪刺激元素,刺激元素位于上、下、左、右等4个位置,自变量包含尺寸和间距两个因素。因素1为尺寸即正方形边长,分为100px,150px,200px3个水平;因素2为间距即元素中心与界面中心的垂直/水平距离,分为200px/400px,300px/600px,400px/800px3个水平。因变量为任务的完成时和失败次数。实验后开展主观评价,基于ISO 9241可用性标准,使用李克特7分量表对界面的满意度进行评分。工效学实验结果显示：元素尺寸对识别效率有显著影响,边长尺寸为200px的刺激元素识别效率最高,元素间距对识别效率没有影响。主观评价结果显示：元素间距对用户满意度有显著影响,刺激元素的紧凑(200px/400px)或疏远(400px/800px)都会导致满意度的下降,300px/600px间距水平的满意度最好,尺寸对用户满意度没有显著影响。该研究从设计工效学角度出发,发现了刺激界面元素尺寸、间距分别对脑机接口系统效率、用户满意度具有影响,研究结论对于规范脑机接口界面设计,提升脑机接口系统效率有重要的指导意义和借鉴价值。     

基于两类运动想象的二维光标控制的研究

在脑-机接口研究中,二维光标控制由于易实现、量化可以作为测试新范式和新算法原型的特点,一直是研究的热点。基于减小使用者的控制难度,实现光标在二维平面内任意位置移动的目标,我们仅使用两类运动想象就实现了光标的二维控制。通过把分类器的输出概率映射到我们设计的旋转控制坐标系中,实现光标二维移动。结合最后设计的一种固定5目标的验证实验,邀请4人参与该实验,从他们的控制效果上,可以得到控制策略简单有效的结论。     

基于相关性和稀疏表示的运动想象脑电通道选择方法

在基于运动想象(MI)的脑机接口(BCI)中,通常采用较多通道的脑电信号(EEG)来提高分类精度,但其中会有包含与MI任务无关或冗余信息的通道,从而影响BCI的性能提升。该文针对运动想象脑电分类中的通道选择问题,提出一种采用相关性和稀疏表示对通道进行选择的方法(CSR-CS)。首先计算训练样本每个通道的皮尔逊相关系数来选择显著通道,然后提取显著通道所在区域的滤波器组共空间模式特征拼接成字典,利用由字典所得到的非零稀疏系数的个数表征每个区域的分类能力,选出显著区域所包含的显著通道作为最优通道,最后采用共空间模式和支持向量机分别进行特征提取与分类。在对BCI第3次竞赛数据集IVa和BCI第4次竞赛数据集I两个二分类MI任务的分类实验中,平均分类精度达到了88.61%和83.9%,表明所提通道选择方法的有效性和鲁棒性。     

一种高效的门级电路可靠度估算方法

随着半导体技术的不断发展,芯片的集成度越来越高,软差错已经成为影响电路可靠性的关键因素之一。为了有效评估软差错对电路的影响,该文提出一种基于信号取值概率的门级电路可靠度估算方法。首先计算电路所有节点在软差错影响下的取值概率,然后用故障模拟分析电路整体可靠性。通过对基准电路的实验并与概率转移矩阵方法进行比较,该方法在不损失准确度的前提下,在时间与空间开销方面都具有优势,尤其适合估算特定向量和随机向量激励下电路的可靠度。     

基于金字塔分解和扇形局部均值二值模式的鲁棒纹理分类方法

针对传统局部二值模式(LBP)的特征鉴别力有限和噪声敏感性问题,该文提出一种基于金字塔分解和扇形局部均值二值模式的纹理特征提取方法。首先,将原始图像进行金字塔分解,得到对应于不同分解级别的低频和高频(差分)图像。为提取兼具鉴别力和稳健性的特征,进一步采用阈值化处理技术将高频图像转化为正、负高频图。然后,基于局部均值操作提出一种扇形局部均值二值模式(SLMBP),用于计算各级分解图像的纹理特征码。最后,对纹理特征码进行跨频带的联合编码和跨级别的直方图加权,从而获得最终的纹理特征。在公开的3个纹理数据库(Outex, Brodatz和UIUC)上进行分类实验,结果表明该文所提方法能够有效地提高纹理图像在无噪声环境和含高斯噪声环境下的分类精度。     

基于加权合成核与三重Markov场的极化SAR图像分类方法

马尔可夫随机场(Markov Random Field,MRF)广泛用于处理遥感图像的分类问题,然而MRF在构建极化合成孔径雷达(Synthetic Aperture Radar,SAR)图像模型时未考虑其非平稳特性且对初始分类较为敏感,为此本文提出了一种基于加权合成核与三重马尔可夫随机场(Triplet Markov Field,TMF)的极化SAR图像分类方法.该方法依据训练样本在特征空间上的距离,提出了加权合成核函数权重系数的自适应确定方法以提高初始分类的精度和普适性;为充分考虑极化SAR图像的非平稳统计特性,利用TMF对极化SAR图像进行统计建模以实现贝叶斯分类.实验结果表明,与基于MRF的极化SAR图像分类方法相比,本文所提方法可获得更高的分类精度和更平滑的同质区域分类结果,而且本文方法能更好地保持图像边缘信息.     

基于多尺度卷积神经网络的自适应熵加权决策融合船舶图像分类方法

针对单一尺度卷积神经网络(CNN)对船舶图像分类的局限性,该文提出一种多尺度CNN自适应熵加权决策融合方法用于船舶图像分类.首先使用多尺度CNN提取不同尺寸的船舶图像的多尺度特征,并训练得到不同子网络的最优模型;接着利用测试集船舶图像在最优模型上测试,得到多尺度CNN的Softmax函数输出的概率值,并计算得到信息熵,...     

InSAR误差建模与误差估计方法

针对干涉合成孔径雷达(InSAR)系统的误差问题,对系统各种误差源按照误差特性进行分析和分类,通过误差传递分析,建立了InSAR测高误差的参数化模型.在此基础上,利用地面控制点,通过最小二乘法得到整个测绘带内的系统性高程误差分布,进而根据各类误差对测高误差的影响规律,分别将恒定误差、缓变误差和随机误差分类提取出来.仿真...     

基于深度卷积神经网络的图上半监督极化SAR图像分类算法

为实现在只有少量标记数据情况下的高质量的图像分类,本文提出了一种基于深度卷积神经网络的图上半监督极化SAR图像分类算法.该算法将极化SAR图像建模为无向图,并基于该无向图,定义了包含半监督项,卷积神经网络项和类标光滑项的能量函数.算法所采用的卷积神经网络提取抽象的数据驱动的极化特征.半监督项约束了有标记像素的类标在分类过程中保持不变.类标光滑项约束了像素间类标的光滑性.基于对PauliRGB图像进行超像素分割而产生的初始化类标图,交替迭代优化所定义的能量函数直至其收敛.在两幅真实极化SAR图像上的实验结果表明,该算法达到了优异的分类效果,其性能优于当前已有算法.