基于运动想象脑功能网络的节点加权支持向量分类方法研究

Motor imagery EEG-based brain-computer interface has provided a direct communication channel between the brain and environment, which does not depend on the brain's normal output pathways of peripheral nerves and muscles. It has aroused positive concern of the international academic and engineering in recent years. However, the motor imagery EEG-based recognition study still has some disadvantage, such as low multi-class classification accuracy, adaptability deficiency of feature extraction and channel selection. Current methods have emphasized particularly on qualitative and quantitative analysis of locally activated brain regions, which have neglected the interaction and synergy between regions. From the view of functional brain network (FBN), a node weighted support vector classification method is proposed based on FBN in the project.The key includes: 1) Multi-channel EEGs are used to construct FBN, and a feature extraction method is proposed combining global characteristics of FBN and local characteristics of node data; 2) Node weight function is modeled based on its importance measure; 3) Node weights are considered as hyper-parameters into the construction of optimal classification hyperplane, where the nonlinear programming problem with mixed constraints of node weighted support vector machine is solved using multiple kernel learning methods, and then multi-classification algorithm is designed by indirect construction methods; 4) The proposed method is verified through simulation experiments and online test. The project has important theoretical significance and application value.

以运动想象脑电信号为对象的脑-机接口不依赖外周神经和肌肉组织的参与，是在大脑与外界之间建立的直接的交流通路，近年来引起国际学术与工程界的积极关注。然而，基于运动想象脑电信号的模式识别研究仍存在一些不足，如：多类分类准确率不高、特征提取及通道选择缺乏自适应性等。现有的研究方法多侧重局部激活脑区的定性与定量分析，忽视了脑区之间的相互影响和协同作用。从脑功能网络角度出发，本项目提出了节点加权支持向量分类方法。主要研究内容为：1）采用多通道脑电信号构建脑功能网络，提出网络整体特征与节点数据局部特征联合表示的特征提取方法；2）研究脑功能网络节点的重要性测度，建立权值函数模型；3）将节点权值作为新的超参数引入最优分类超平面构建中，利用多核学习方法求解节点加权支持向量机具有混合约束的非线性规划问题，通过间接构造法设计多类分类算法；4）通过仿真实验和在线测试进行验证。项目具有重要的理论意义和应用价值。

以运动想象脑电信号为对象的脑-机接口不依赖外周神经和肌肉组织的参与，是在大脑与外界之间建立的直接的交流通路，近年来引起国际学术与工程界的积极关注。然而，基于运动想象脑电信号的模式识别研究仍存在一些不足，如：多类分类准确率不高、特征提取及通道选择缺乏自适应性等。现有的研究方法多侧重局部激活脑区的定性与定量分析，忽视了脑区之间的相互影响和协同作用。从复杂网络角度出发，本项目主要研究了基于运动想象脑功能网络的节点加权支持向量分类方法，研究工作所取得的成果为：. 1）研究了脑电信号的预处理方法，包括基于优化广义权重估计的脑电信号预处理算法、自适应阈值处理的脑电去噪方法。. 2）对脑电信号的脑功能网络构建与分析、特征提取方法展开了深入研究。采用运动想象脑电数据建立了复杂脑功能网络，并且在其基础上提出了基于邻接矩阵分解的特征提取方法。研究了基于DTCWT-CSP的脑电信号特征提取方法，以及基于感兴趣脑区LASSO-Granger因果关系的脑电特征提取方法。. 3）研究了脑电信号的模式识别方法，包括具有后验概率输出和增量学习能力的孪生支持向量机分类方法、主轴核聚类的脑电分类方法、以及基于Choquet模糊积分隐马尔科夫模型的脑电分类方法。. 4）对基于脑-机接口的电动轮椅实验系统进行了实验与测试。改造了电动轮椅实验系统，搭建了脑电信号采集系统，探索了实验方案设计，实现了基于运动想象脑电信号的电动轮椅控制实验。. 本项目通过运动想象脑电数据建立脑功能网络，用来分析运动想象涉及的多个脑区域的协同作用，并且利用图论和谱分析理论从网络拓扑结构和邻接矩阵中提取出与特定运动想象任务关联的脑电特征，可进一步丰富基于运动想象脑电信号的模式识别算法内容，具有重要的理论意义和良好的应用前景。