針對腦機接口(BCI)系統中的多通道非平穩腦電(EEG)信號和腦磁(MEG)信號, 本文提出一種基于多通道經驗模式分解(MEMD)與功率特征結合的信號特征提取算法。首先將多通道腦信號經MEMD算法分解為一系列多尺度多元固有模態函數(IMF)近似平穩分量, 然后對每個IMF分量提取功率特征, 并利用主成分分析(PCA)降維處理, 最后使用線性判別分析分類器對信號特征分類。實驗采用第三次和第四次國際BCI競賽的數據進行驗證, 對皮層EEG信號和MEG信號運動想象任務的識別正確率分別達到92.0%和46.2%, 均位于競賽第一名水平。實驗結果表明本文所提方法有較好有效性和穩定性, 為腦信號特征提取提供了新思路。
腦機接口(BCI)可以直接通過腦電(EEG)信號控制外部設備。本文針對傳統主成分分析(PCA)和二維主成分分析(2DPCA)處理多通道EEG信號的局限性, 提出了多線性主成分分析(MPCA)的張量特征提取和分類框架。首先生成張量EEG數據, 然后進行張量降維并提取特征, 最后用Fisher線性判別分析分類器進行分類。實驗中將新方法應用到BCI competitionⅡ數據集4和BCI competitionⅣ數據集3, 分別使用了EEG數據的時空二階張量表示形式和時空頻三階張量表示形式, 通過對可調參數多次調試, 取得了高于其它同類降維方法的最佳結果。二階輸入最高正確率分別達到81.0%和40.1%, 三階輸入分別達到76.0%和43.5%。
2型糖尿病患者因長期代謝紊亂造成的認知功能障礙已經成為當前關注的重點。本文利用多通道同步方法——基于相位同步的S估計器對腦電信號進行同步分析, 以期發現與糖尿病輕度認知障礙有關的腦電特性。結果顯示:糖尿病輕度認知障礙患者與正常對照組相比各腦區各頻段的S值均減小, 尤其是δ和α頻段顯著降低, 表明腦電同步值降低; 患者MoCA得分與S值在α頻段具有顯著的正相關性。
運動性肌肉疲勞特指運動引起肌肉產生最大隨意收縮力量或者輸出功率暫時性下降的生理現象，處理不當會對人體產生嚴重的運動性損傷。本文通過對人體下肢表面肌電信號進行多通道采集，采用肌電信號頻譜分析與非線性動力學結合起來的帶譜熵方法，對運動性肌肉疲勞度進行衡量。實驗結果顯示，隨著肌肉疲勞程度的增加，肌電信號頻譜開始向低頻移動，能量越來越集中，系統復雜度下降，反映復雜度的帶譜熵值也隨之降低。通過對熵值變化的監測，可以度量肌肉疲勞程度，為體育訓練、臨床康復訓練等疲勞程度的判定提供了一個指標。