阅读笔记2:运动想象脑机接口中模式识别方法研究

最新推荐文章于 2023-04-01 09:26:06 发布
原创 最新推荐文章于 2023-04-01 09:26:06 发布 · 1.3k 阅读 · 11 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #神经网络 #深度学习 #机器学习

本文研究了运动想象脑机接口（BMI）中模式识别方法，涉及信号采集、预处理、特征提取和分类。讨论了EEG信号的非线性、非平稳特性及采集方法，如非植入式和植入式。目前，研究重点包括伪迹去除、特征提取和模式分类，如LDA、SVM和神经网络。未来方向关注深度学习和多模态信号融合提升识别准确性和响应速度。

1.论文信息

  • 题目：运动想象脑机接口中模式识别方法研究
  • 作者：葛荣祥
  • 单位：东南大学机械工程机械制造及其自动化
  • 论文发表时间：20180531

论文地址

2.笔记

2.1脑机接口简介

2.1.1定义

大脑与外部设备的交流控制系统且不依赖外围神经系统与肌肉。

2.1.2脑机接口系统的组成及工作原理

在这里插入图片描述

  • （1）信号采集时要对其进行滤波、放大和A/D转换
  • （2）EEG信号是一种信噪比非常小的微弱信号，容易被外部噪声和其他生理信号所干扰，所以要进行预处理，提高信号质量
  • （3）从中提取出能够反映信号特点的特征量，为后续的分类识别奠定基础（问题：个体的差异性）
  • （4）模式分类主要是通过一些学习算法，建立特征与实验者意识活动之间的对应关系，从而达到分类识别的目的，其分类结果的精度直接影响到后续控制装置的准确性。
  • （5）控制装置及外部设备

最低0.47元/天 解锁文章
阅读笔记4：基于运动想象的脑机接口系统模式识别算法研究
InsectsAwaken_的博客
09-19 1517
论文信息 题目：基于运动想象的脑机接口系统模式识别算法研究 作者：刘美春 单位：华南理工大学信号与信息处理 发表时间：20091009 笔记 1.摘要 脑机接口是一种不依赖于正常的由外围神经和肌肉组成的输出通道的通讯系统。 BCI系统包括信号收集、预处理、特征提取和分类 两种不同的运动相关电位（MRPs）特征提取算法：领域空间模式和自适应空间模式算法 事件相关失同步/同步( ERD/ERS) 和 MRPs 是 BCI 特征提取中的两大生理背景基础。对时空频信息敏感，提出一种广义时空特征提取算法（GTS
脑机接口（1）：运动想象（MI）原理、算法、问题和发展趋势
热门推荐
雨寒sgg的博客
03-22 2万+
   “脑机接口”（Brain Cpmputer Interface, BCI）研究的核心是在大脑和外部设备之间建立直接的联通通路，因此脑机接口也被誉为“人工智能的顶级科学”。脑机接口的应用包括6个方面[1]：   (1)脑机接口替代(Replace)原有中枢神经系统的输出；   (2)脑机接口重建(Restore)丧失的中枢神经系统的输出；   (3)脑机接口增强(Enhance)正常的中枢神...
基于运动想象的脑机接口
05-19
脑-机接口(BCI) 的研究已经成为国内外脑科学研究中的前沿热点， 并取得了一些重大突破， 目前正快速发展与具有很大局限性的侵入式BCI 相比， 非侵入式 EEG 实现的 BCI 具有潜在的实用前景
左右手运动想象脑电模式识别研究
03-16
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。
EEG脑机接口算法
cc1609130201的博客
07-05 5963
目前大多数基于EEG的脑机接口的算法都是基于机器学习算法。正如我们在2007年的论文中写的，这个领域中使用了多种多样的分类器。现在，在那篇综述发表后的十年内，许多新的算法已经被开发和测试，用来对脑机接口中的脑电信号进行分类。因此，对脑机接口脑电分类算法进行综述更新的时机已经成熟。 方法 我们汇总了2007年至2017年的BCI和机器学习的文献，以确定设计用在脑机接口方向的新分类方法。我们综合了现有方法的研究，解释它们如何应用于脑机接口，得到了怎样的结果，并确认它们的优点和缺点。 主要结果 我们发现，
阅读笔记7：多类运动想象脑电信号识别及其在BCI中的应用研究
InsectsAwaken_的博客
09-23 2870
文章目录论文信息笔记1.摘要2.绪论2.1 EEG信号处理方法国内外研究进展2.2存在的问题3.脑电信号采集及预处理方法3.1 共平均参考（CAR）3.2Butterworth 带通滤波器4.运动想象EEG信号特征提取4.1 基于 AF-CSP 方法的特征提取研究4.1.1 经验模态分解4.1.2共空间模式4.1.3基于 AF-CSP 的 EEG 信号特征提取4.2基于 SJ-GDA 方法的特征提取研究4.2.1 黎曼流形4.2.2半监督联合互信息4.2.3广义判别分析4.2.4基于 SJ-GDA 的 EE
阅读笔记6*：基于半监督学习的运动想象脑机接口研究
InsectsAwaken_的博客
09-23 1340
论文信息 题目：基于半监督学习的运动想象脑机接口研究 作者：谭学敏 单位:重庆大学电气工程 发表时间：2015.05 笔记 摘要 基于参数选择的自训练算法（STBMS），解决了运动想象 BCI 自训练中小样本无法利用交叉验证准确选择合适参数的问题 基于衍生FLDA（Fisher Linear Discriminant Analysis）的协同训练算法（CTBMFLDA），运用到运动想象的分类中。 ...
阅读笔记3：基于深度学习的运动想象脑电信号分类算法研究
InsectsAwaken_的博客
09-18 6271
1.论文信息 题目：基于深度学习的运动想象脑电信号分类算法研究 作者佟歌 单位：哈尔滨工程大学控制科学与工程 发表时间：201803 2.笔记 2.1 脑电信号采集及预处理 2.1.1脑电信号分析方法 传统分析方法主要从四个方面入手：时域分析、频域分析、时频分析、空域分析 时域分析：EEG 的全部信息都包含在采集到的时域波形中，因此时域分析是最为直观的方法，通常用来对脑电信号的幅值，周期等信息进行初步分析。该类方法的优点在于可以直接从时域提取有用的波形特征，简单方便而且不需要对脑电信号进行平稳性假设。
[2020世界机器人大赛] BCI脑控机器人技术赛主流算法讲座-运动想象主流算法笔记
InsectsAwaken_的博客
03-22 1381
文章目录功率谱估计（power spectral density，PSD）共空间模式 csp 功率谱估计（power spectral density，PSD） 共空间模式 csp EEG信号特征提取 时域 频域：功率谱、FFT、小波变换 空域：CSP及其系列改进 模式分类 LDA、SVM、NN、Bayes ...
综述：运动想象脑机接口控制机器人的研究
脑机接口社区
04-01 3598
BCI是一种特殊的信息交换系统，它使大脑能够直接与外部环境互动，而不依赖于大脑的外周神经系统和人体的运动系统。随着BCI的快速发展，对于思维正常但患有神经系统疾病或严重残疾的患者，BCI可使他们重新获得锻炼或与环境沟通的能力，提高生活质量。对于健康人群来说，BCI可提供前所未有的感官体验并帮助提高注意力。最近，BCI技术已变得越来越成熟，该技术在医疗康复、娱乐、教育、军事等领域获得了更多关注和认可...
论文阅读——用于脑机接口的运动意图和运动想象脑电数据分析研究
weixin_44603934的博客
03-29 8338
最近在看脑电数据处理相关的论文，为了更加系统的学习，现在特别做一个论文阅读总结专栏，总结每篇经典论文中的核心点。 用于脑机接口的运动意图和运动想象脑电数据分析研究——庞雅杰（哈尔滨工业大学） 摘 要： 运动意图是人将要执行动作时调动与运动相关的大脑资源让肌肉骨骼完成指定动作所作出的指令运动想象是利用大脑意念想象动作，用控制器实现后续实际动作。可用运动相关皮层电位研究运动意图，用感觉运动节律研究运动想象。运动脑机接口不仅帮助病患控制身体，实现自理，还可以帮助病患恢复自身的运动能力；研究运动意图和.
脑机接口（BCI）的研究方法
nvsirgn的博客
10-19 5982
“ 嘘！悄悄插播的哦” （图1 BCIduino实物图） BCIduino 8通道脑电放大器具体参数如下： 输入阻抗：1TΩ 输入偏置电流：300pA 输入参考噪声：1μVpp 采样速率：250 Hz/500Hz 共模抑制比：-110dB 可调增益放大倍数：1、2、4、6、8、12、2 分辨率：24 位 ADC，精度最高可达 0.1μV 功耗：正常工作时 39mW，待机时低至仅 10μW 采用可充电锂电池供电，进一步降低来自外部的干扰。 尺寸：50mm*50mm（实物测量，存在细微误差），实物图如图1
深度学习与脑机接口
南山牧笛的博客
09-15 5553
深度学习与脑机接口_1（基于卷积神经网络的P300信号检测）                  参考论文《Convolutional Neutral Networks for P300 Detection with Application to Brain-Computer Interfaces》                                 Hubert Cec
EEG脑电信号常用处理方法
weixin_43361652的博客
01-18 2万+
一. 关于脑电信号 今年中旬，在马斯克召开的发布会，其名下Neuralink 的脑机接口植入技术引发热议，脑-机接口（brain-computer interface, BCI）技术也成为了当前信息交互的研究热点，意念控制似乎离我们不再遥远，而脑电信号（electroencephalography， EEG）由于易操作性，安全性等特点，受到了科研工作者的广泛关注，如何准确得利用脑电信号来实现操控，...
关于脑机接口、脑电与肌电的期刊汇总
脑机接口社区
01-11 4749
Nature Science ACM Computers in biology and medicine (3区) Frontiers in Neuroinformatics（2区） Frontiers in Neurorobotics（3区） Sensors IEEE/ACM transactions on computational biology and bioinformatics 脑机接...
运动想象脑机接口中迁移学习的完整流程
脑机接口社区
01-24 2979
点击上面"脑机接口社区"关注我们更多技术干货第一时间送达脑机接口（Brain-Computer Interface, BCI）可以让用户使用脑电信号直接与计算机或其他外部...
基于EEG的癫痫自动检测: 综述与展望
脑机接口社区
04-21 5163
目录摘要1. 癫痫自动检测流程1.1 数据采集与输入1.2 数据预处理1.3 特征提取与选择1.4 分类模型学习与评估2. 癫痫自动检测中的特征2.1 时域特征2.2 频域特征2.3 时频域特征2.4 非线性特征(Nonlinear Analysis)3. 癫痫自动检测的分类模型3.1 统计分析3.2 传统机器学习3.3 深度学习3.4 迁移学习3.5 多视图学习3.6 集成学习3.7 主动学习4. 结论与展望 摘要 癫痫是一种由脑部神经元阵发性异常超同步电活动导致的慢性非传染性疾病, 也是全球最常见的神经
运动想象EEG背景知识
space_dandy的博客
05-01 6335
定义： “脑”指有机生命形式的脑或神经系统；“机”指处理或计算的设备；“接口”指用于信息交换的中介物；脑机接口（BCI系统）可定义为人或动物脑与外部设备间创建的用于信息交换的连接通路 实现： 信号采集>>信号预处理>>特征提取>>分类识别>>反馈 信号采集：采集EEG（脑电信号），用于采集的BC...
脑机接口（BCI）的认识及EEG数据预处理介绍
qq_43363657的博客
02-02 7783
一、脑-机接口概述   贺斌老师介绍BCI：我们可以检测人类的大脑信号，解码其中的含义，在用这个含义去控制机器，这里的机器可以是机械臂、无人机、电脑等等。另外，我们可以把电、磁、声等信号传入到大脑里，来刺激或者调控神经回路的活动，目前这种神经调控主要应用于疾病的治疗。   非侵入式BCI主要分为两大类，一类是基于运动想象的（MI），另一类是基于事件相关（ERP），通过测量解析ERP，以此来控制机器。可供测量的ERP有很多中，包括P300、稳态视觉诱发电位（SSVEP）、听觉诱发电位（AEP）。 二、脑-机接
Rust与脑机接口运动意图识别面试核心考点解析
“运动意图识别原理”章节则进一步深入探讨了神经信号传导的生理机制、脑电信号与运动意图之间的关联、运动想象与实际运动的神经表征差异、多脑区协同编码理论等内容。同时，文档还介绍了运动诱发电位（MEP）与皮层...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值