运动想象脑电信号的分类正确率直接影响到 BCI 系统的应用价值.为了提高分类正确率,通过对脑电信号的特征提取和分类识别方法的研究,根据运动想象过程中的 ERD/ERS现象,提出利用独立分量分析法对采集到的多导联运动想象脑电信号进行盲源分离,获取与想象任务相关的ICA滤波器,将其作用到预处理后的观测信号上,得到与想象任务相关的脑电成分,再以支持向量机为分类器来实现对三类运动想象任务的脑电信号进行分类识别的方法,并对三位受试者的脑电数据进行了分类实验,实验结果验证了该方法的有效性.

如何提高左右手运动想象脑电信号的分类率是脑机接口研究领域的一个热点话题。基于美国EGI64导脑电采集系统得到3名健康被试的脑电数据,首先,采用独立成分分析(Independent Component Analysis,ICA)对采集的数据进行去噪处理;然后,利用离散小波变换方法对分解C3/C4处的EEG平均功率信号,选用尺度6上逼近系数A6的重构信号作为脑电特征信号;最后,用Fisher线性判别分析法(Fisher Linear Discriminant Analysis,FLDA)、支持向量机方法 (Support Vector Machines,SVM)和极限学习机分类方法 (Extreme Learning Machine,ELM)分别对特征信号进行分类。分类结果表明:极限学习机分类方法得出的平均分类率要高于Fisher方法与SVM方法的平均分类率,可以达到92%,而且运行速度也高于另两种分类算法。

1、采用BCI Competition IV Dataset1公开数据集，数据说明：https://www.bbci.de/competition/iv/desc_1.html； 2、涉及脑电信号预处理、CSP特征提取、特征选择和SVM分类。

针对脑机接口(BCI)系统中存在的信息传输速率较慢和脑电信号识别正确率较低的问题，对多通道四类运动想象脑电信号进行研究．通过对4种运动想象及休息状态脑电信号进行功率谱分析，合理确定预处理滤波器的最佳滤波频段，然后使用PW-CSP，Hilbert变换及归一化处理的方法，对四类运动想象脑电信号进行特征提取，分类算法分为特征信号算术求和与阈值比较的预分类过程及包含单个支持向量机(SVM)的细分类过程，算法复杂度明显比采用多个SVM组合的多类分类算法要低，为实现算法的在线应用打下基础．仿真结果表明，该算法分类正确

脑电信号-运动想象代码，搭建环境见博客

基于CSP的多类运动想象脑电特征自动选择算法

针对隐马尔科夫模型在运动想象脑电信号分类应用中,其独立性假设与脑电信号间相关性的不一致问题,提出一种基于Choquet模糊积分隐马尔科夫模型的脑电信号分类方法。该模型应用模糊积分的单调性取代了概率测度的可加性,放宽了隐马尔科夫模型的独立性假设。利用重叠滑动窗对脑电信号分段,然后对每段数据提取绝对均值、波长和小波包相对能量特征,构成特征序列用于CI-HMM的训练和分类。选取2008年BCI竞赛Datasets 1的两类运动想象数据进行分类实验,结果表明,该方法有效提高了隐马尔科夫模型方法对运动想象脑电信号分类的性能。

针对区分两种不同运动想象(想象左手运动和想象右手运动)的脑-机接口任务,提出了以小波方差作为分类特征的方法.首先深入研究了小波变换以及小波方差的计算方法,结合验证脑电图(EEG)存在的ERD/ERS现象,然后利用小波分解系数方差对C3,C4导联脑电信号进行特征提取,最后采用最简线性分类器进行分类,采用分类正确率作为主要评价标准.结果表明,最大分类正确率为85%,最佳分类时间段为4~6.5 s.与BCI竞赛和其他方法相比,在保证分类正确率的前提下,所使用的特征提取和分类方法更加简单,具有较高的参考价值.

针对传统支持向量机分类方法在脑电信号处理中存在分类正确率低的问题,将聚类思想与二叉树支持向量机结合构造多类SVM分类器。实验以“BCICompetition2005”中的DatasetⅢa为例,先对采集的4类运动想象脑电信号应用小波变换进行去噪;再在分析小波包频带划分特点的基础上,利用小波包进行分解与重构,获取相应的能量特征;最后应用改进后的支持向量机(SVM)分类方法对特征信号进行分类。结果表明该方法分类正确率较高,可以达到91.12%,并且有效的减少了分类器的个数,最终达到较好的识别效果。

多类运动想象脑机接口控制的虚拟漫游，谷艳蕾，张吉财，本研究旨在区分想象左手、右手、脚运动三种状态下的脑电信号，从而建立在虚拟环境中控制左转、右转、前行、停止的脑机接口系统。