摘要：当手臂操作与脑电控制被同时应用到水下机器人操作中,且操作人员处于不同作业状态时,针对使用单一脑电信号分类器无法获得较为理想的控制意图识别准确率问题,提出使用组合分类器选取分类结果和根据实际作业情况的特殊性修正分类结果的方法来提升识别准确率.首先,使用Fisher判别方法分别对无手臂操作和存在手臂操作产生的数据进行训练,得到两种作业状态下的分类器;其次,将两分类器进行组合并使用曲线拟合的方式确定用来判定分类结果的基准距离差值(该差值的选取考虑了个体差异);再次,根据实际作业情况的特殊性使用距离修正函数对距离差值进行修正;最后,通过比较基准距离差值与修正后距离差值的大小来确定最终分类结果.为了验证所提方法的有效性,邀请了6位被试者参与测试过程.实验结果显示,在设计的在线实验中,相对于其他3种方法,所提方法在识别准确率上分别提升了13.42%、5.55%和5.55%,说明所提方法是可行且有效的.

摘要：针对P300脑电信号信噪比低、随机性强及个体差异性大等问题,提出了一种将经验模态分解(EMD)和小波包分解(WP)相结合的滤波方法,并使用改进的卷积神经网络(CNN)对脑电信号进行分类识别。首先利用经验模态分解算法将原始脑电信号分解成若干个本征模函数(IMF)分量,并对每个分量进行频谱分析以去除0~30 Hz主频段以外的分量;然后,对保留的IMF分量进行小波包分解,根据P300电位的有效时频信息,选择合适的频段进行重构,再将重构后的各个本征模函数叠加,得到经过滤波后的脑电信号;最后,设计合适的卷积神经网络结构,对P300信号进行分类识别。本文使用国际BCI竞赛数据集对提出的方法进行验证。实验结果表明,两名被试的分类准确率分别为97.78%、95.56%,说明该方法能够有效地改善P300信号的识别效果(相比其他方法至少提升了2.78%,1.39%),为进一步提高基于P300信号脑机接口系统的性能提供了一种新的有效的途径。

摘要：脑电图(EEG)的解码与分类一直是脑-机接口技术(BCI)领域的研究热点之一。虽然基于深度学习的方法已经取得了相当优异的成绩,但是在多分类、小样本数据集上,设计一个可解释性高、学习快、解码准确且精度高的模型仍然是一个挑战。为了深度解码基于运动想象(MI)的EEG信号,提出了一种基于自适应滤波器组的运动想象卷积神经网络:AFBCNet。首先通过自适应滤波器组与空间卷积层对MI-EEG信号的最优频带组合进行时空分解,然后通过改进的轻量化Inception模块进行特征提取,最后进行特征整合与分类。实验结果表明,所提出的方法在BCICIV_2a和BCICIV_2b数据集上平均识别率达到81.82%和84.13%,并且具有良好的鲁棒性与迁移能力。

摘要：脑机接口研究涉及神经科学、信号检测、信号处理、模式识别等多学科的交叉领域,因其不断增长的潜在需求、广泛的应用前景和深入的理论研究意义,正成为一个新的研究热点。面向脑机接口大赛运动想象脑电数据的基础上,深入分析了小波变换算法的应用,对小波Mallat分解算法等通过软件方式进行了探索,在此基础上进行了专用电路实现。具体而言,在软件上实现了主成分分析(principal component analysis,PCA)算法及线性判别式分析(linear discriminant analysis,LDA)算法,获取训练样本均值矩阵、分类效果最好状态下的PCA维数及其相应的PCA投影矩阵,并确定分类时的LDA投影方向及判别阈值。在硬件上,将上述相应参数固化到加速芯片的专用存储中,以现场可编程门控为载体,实现了Mallat分解算法,PCA和LDA算法并系统验证了设计正确性。三个算法专用电路模块构成了一个脑机接口系统芯片,实现运动想象脑电EEG信号分类功能,分类准确率达到96.4%。