核张量子空间分解EEG特征提取方法研究
EEG信号处理中的特征提取技术研究
EEG信号处理中的特征提取技术研究脑电图（Electroencephalogram，缩写为EEG）是记录脑电活动的一种非常重要的生理信号。
它可以反映出人体的神经信息和大脑发生的各种活动，为我们提供了许多有价值的信息。
因此，在脑电信号的处理和分析中，特征提取技术是不可或缺的一步。
本文将会就EEG信号处理中的特征提取技术进行研究探讨。
1. 前言在生物医学工程中，一些基本的信号处理技术可用于对生物信号进行数字化处理，从而分析生物信号的性质和规律。
脑电信号（EEG）是一种用来记录脑内电活动的信号，在认知，情感和运动方面被广泛研究。
由于其具有非侵入性和高分辨率的特性，脑电信号处理越来越受到了越来越严格的关注。
特征提取技术是其中最重要的一个方面。
2. EEG信号的基本特征脑电信号是由神经元通过突触传递化学信号而产生的一种电流，是以时间为基础的。
虽然脑电信号的形态不同，但是都包含有周期性的脑电波。
经典的EEG波形包括alpha，beta, theta和delta波。
每一种波形的频率不同，分别在8-12Hz、12-30 Hz、4-8 Hz和<4 Hz之间。
3. 特征提取技术特征提取技术是对EEG信号进行数字化处理的一种方法。
这些方法可以找到与各种神经、认知或认知过程相关的脑电信号的特征，并将它们从原始EEG信号中分离出来。
特征提取技术包括时域特征、频域特征和时频域特征三类。
3.1 时域特征时域特征是指EEG信号的幅度、振动周期和时间延迟等特征，在大量的EEG 信号数据中比较容易提取，也是EEG信号处理中最广泛使用的一种特征。
时域特征包括平均幅度、振动（峰值、最低值）和时间延迟（事件相关电势、P300相位偏移等）。
其中事件相关电位（ERP）是一种针对外部刺激（例如视觉，听觉和触觉）自发产生的EEG波动。
ERP信号是EEG数据最常见的信号之一，因为它可用于记录受试者的大脑对刺激的响应时间以及受试者的认知水平。
特征提取中的子空间分析方法研究及其应用（模式识别与智能系统专业优秀论文）
特征提取中的子空间分析方法研究及其应用计独立的系数对图像进行编码，得到的系数是稀疏的（图２—４）。
从图２—４可以看出，ＩＣＡｌ得到的基是一组反映人脸局部特征的图像，这与ＰＣＡ方法得到的特征脸是截然不同的。
ＩＣＡ２的基图像是全局的，但是系数却是稀疏的，这对编码非常有用。
图２—４上幽是ＩｃＡｌ，ｂ＝陋ｌ，自２·，６。
】是系数，ｔｌ，是独寺的基图像；下倒是ｆｃＡ２，ｕ…，味…，“。
Ｊ是系数．。
是基图像【ｌｌＪ他们在ＦＥＲＥＴ人脸库上的实验表明ＩＣＡ是一种有效的人脸特征提取方法，比ＰＣＡ方法的识别率有明显地提高。
此后，Ｌｉｕ和ｗｊｃｈｓｌｅｒｆ７７１，Ｙｕｅｎ和Ｌａｉ［１２９］也证实ＩｃＡ方法要比ＰｃＡ方法更有效。
然而，Ｂａｅｋ等人ｆ７１却宣称ＰｃＡ方法好于ＩＣＡ。
还有Ｍｏｇｈａｄｄａｍ『８６１认为ＰＣＡ和ＩＣＡ方法在人脸识别上没有区别。
那么事实到底是怎样的？为什么不同的人会得出不同的结论呢？ＢｒｕｃｅＡ．Ｄｒ印ｅｒ等人ｆ４０１在ＦＥＲＥＴ人脸库上对ＰＣＡ和不同的ＩｃＡ算法做了一个全面的比较，结果表明这两种方法之优劣很大程度上取决我们要进行的任务、采用的ＩＣＡ算法和使用的相似性度量。
终于真相大白。
§２．４小结在本章，我们简单地介绍了独立成份分析的起源、两个经典的算法：ＩｎｆｏＭａｘ算法和风ｔＩＣＡ算法、以及ＩＣＡ在人脸识别中的应用。
与主成份分析相比，独立成份分析有其独特的一面．也有其不足的另一面。
从ＩＣＡ的模型２—２可以很容易看出：（１）我们不能计算出独立成份的方差，因为Ａ和ｓ都是未知的，任何血Ａ，÷ｓ都特征提取中的子空问分析方法研究及其应用步骤１：Ｆｏｒ≈＝１．２，…，Ｋ：（ａ）从原始Ⅳ维空间Ｘ随机选取一个ｒ维子空问，新的训练集Ｘ‘＝［。
ｆ，ｚｌ，－··，．ｃ：】，这里。
？＝（。
ｒｊ．ａ。
是：－··．上孽）。
（ｂ）白化Ｘ‘，得到白化数据天‘。
一种用于高光谱图像特征提取的子空间核方法
Ａ ｓ ｕ ｂｓ ｐ ａ ｃ ｅ ｋ ｅ ｒ ｎ ｅ ｌ ｌ ｅ ａ ｒ ｎ ｉ ｎ ｇ ｍｅ ｔ ｈ ｏ ｄ ｆ ｏ ｒ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ ｏ ｆ ｔ ｈ ｅ ｈ ｙ ｐｅ ｒ ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ ｉ ｍａ ｇ ｅ
ｍｅ ｔ ｈ ｏ ｄ，ｔ ｈ ｅ ｇ ｒ ｏ ｕ ｐ ｉ ｎ ｇ ｎ ａ ｔ ｕｒ ｅ ｓ ｏ ｆ ｈ ｙ ｐ ｅ ｒ ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ ｄ ａ ｔ ａ ａ ｒ ｅ ｉ ｎ ｔ ｅ ｒａ ｇ ｔ ｅ ｄ ｉ ｎ ｔ ｏ ａ ｕｎ ｉ ｆ ｏ ｒ ｍ ｋ ｅ ｎｅ ｒ ｌ ｍｅ ｔ ｈ ｏ ｄ ｆ ｒ ａ ｍｅ ｗｏ ｒ ｋ ａ ｎ ｄ ａ
ｓ ｐｅ ｃ ｔ ｒ ａ ｌ ｗａ ｖ ｅ ｂ ａ ｎ ｄ ｂ ｙ ｍｅ ａ ｎ ｓ ｏ ｆ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｒｏ ｇ ｕｐ ｉ ｎ ｇ；ｉ ｎ ａ ｄ ｄ ｉ ｔ ｉ ｏ ｎ，ｉ ｔ ｉ ｓ ａ ｄ ａ ｔ ａ － ａ ｄ ａ ｐ ｔ ｉ ｖ ｅ ｋ ｅ ｎｅ ｒ ｌ ｏｒ ｆ ｍｅ ａ ｓ ｕ ｉｎｇ ｒ ｔ ｈｅ ｎ ｏ ｎ ｌ ｉ ｎ—
刘振 林 ， 谷延锋 ， 张晔
（ 哈 尔滨工业大学 电子 与信 息工程 学院， 黑龙 江 哈 尔滨 １ ５ ０ ０ ０ １ ）
摘
要： 特征提取对 于实现高光谱 遥感 图像 的有 效信 息挖掘和利用 以及提高后续 分类应用有 着重要价 值。为 了改 进降
维效果 ， 提出一种子空间调制的核主成 分分 析方 法 ， 将高光谱数据 分组特性整 合到一个 统一的核方法框 架 中 ， 并构 造子 空间调制核 。子空间调制核依靠特征分组实现了在光谱波段上 的稀疏调制 ， 它也是一个数据 自适应 的核 ， 用于度量 高光 谱数据样本 间的非线性相似性 。该方法利用 Ａ Ｖ Ｉ Ｒ Ｉ Ｓ真实 高光谱 图像进行评估 ， 并且 与传统 的核方 法 、 光谱 加权核方 法 进行 了比较 。实验结果表明 ， 基于子空 间调制 的核方法更充分地利用 了波段 间复杂相关 的物理特性 ， 进而在高光谱 图像 分类方面的结果好于传统 的核方法与光谱加权核方法 。 关键词 ： 高光谱 图像 ； 核方法 ； 数据 降维 ； 图像分类 ； 特征提取
核张量子空间分解EEG特征提取方法研究
核张量子空间分解EEG特征提取方法研究高煜妤;王柏娜【摘要】针对共空间模式(Common Spatial Patterns,CSP)对源信号和记录的脑电信号之间严格的线性模式的假设关系,充分发挥张量在多维上同时处理的优势,研究了一种核张量子空间分解EEG特征提取方法.首先生成EEG数据的张量,利用带二次等式约束的最小二乘问题解决张量分解问题,并将张量扩展到子空间,减小计算的压力,最后推广到核空间,将数据投影到高维特征空间来增强辨别能力.实验数据采用2005年BCI竞赛III的数据集III_3a,实验结果表明,KTSD方法能够从多类运动想象任务的EEG数据中提取相应的特征,并得到较好分类结果和运行效率.【期刊名称】《计算机工程与应用》【年(卷),期】2019(055)007【总页数】7页(P132-137,144)【关键词】EEG数据;核张量;子空间;核空间【作者】高煜妤;王柏娜【作者单位】燕山大学里仁学院,河北秦皇岛 066004;燕山大学里仁学院,河北秦皇岛 066004【正文语种】中文【中图分类】TN911.71 引言特征提取是脑机接口中脑电（EEG）信号分类和医学应用的重要环节[1]。
基于EEG信号的语法描述或统计特征可以获得许多特征，但无效特征增加了计算成本，降低了分类性能，所以特征提取的有效性一直是一个十分重要的问题[2]。
主成分分析（Principal Component Analysis，PCA）作为一种典型的自组织学习方法，是一种行之有效的线性降维技术[3]，广泛应用于特征提取，但是在EEG分类中不是特别有用，因为它求取的投影不一定与类标签相关，而基于同时对角化的CSP方法是PCA方法中的一种[4]。
王金甲[5]用核函数的方法将多类CSP扩展到了核空间进行特征提取，缓解了CSP对脑内的源信号和EEG信号之间假设的严格线性关系，但存在特征值分解时计算量大的问题。
Nasehi等[6]提出了一种基于广义张量判别分析（GTDA）的特征降维方法，通过GEEOR函数将EEG信号谱域、空间域和时域的三阶张量，从张量表示的EEG信号中提取投影矢量。
基于运动想象的脑电特征提取及特征迁移方法研究
摘要运动想象脑-机接口技术不依赖人的外周神经和肌肉组织，直接实现人脑对外部设备的控制，它可以帮助有运动障碍的患者，更好地与外界进行信息交流，在军事、航天、医疗和虚拟现实等领域有巨大的应用价值。
脑电信号具有非平稳性，而传统运动想象技术在应用前需要标注大量的训练样本，并采用多通道采集的方式，这大大限制了其应用范围。
本文在传统脑电信号处理方法的基础上，将迁移学习的思想应用于运动想象的分类，减少训练样本和测试样本的分布差异，以提高分类准确率。
此外，针对运动想象技术对运算实时性要求高的问题，研究通道选择优化方法，在保证分类正确率损失有限的条件下，减少分析脑电信号的通道数量，以提高运动想象脑-机接口技术的实时性。
本文具体研究工作如下。
基于运动想象生理基础，研究运动想象脑电信号预处理方法。
利用AR模型对运动想象脑电信号频谱分析，得出信号有效的频带范围8-30Hz，为滤波器通带频率的选择提供分析依据；并分析公共平均参考法（CAR）空间滤波增加不同思维脑电信号空间分布差异的优势，为获得高信噪比的脑电信号奠定基础。
研究基于小波包变换的特征提取方法，选择小波包分解后特定子节点的小波系数，并提取能量特征，利用支持向量机，识别两种类型的运动想象任务，得出平均分类正确率为79.4%。
在此基础上，研究通道选择的优化方法，基于Relief-F 算法计算通道权重，在对分类效果影响有限的条件下，减少分析脑电信号的通道数量，有助于减少计算量，提高运动想象脑-机接口实时性。
研究基于最小化MMD的迁移学习算法，并将算法应用于运动想象的分类。
结果表明，该方法有助于提高实验者一段时间内运动想象的分类正确率，且能够使一个实验者训练的分类模型更加适用于另一个实验者的测试。
证明了迁移学习算法比传统的分类方法有更好的适应性。
结合以上研究，设计基于运动想象迁移学习实验。
针对真实的脑电信号含有的伪迹问题，研究小波分析眼电伪迹滤除的方法，并探讨迁移学习在线实现方案。
大脑网络的探索进程(一)——研究特点、方法与三大类型
大脑网络的探索进程(一)——研究特点、方法与三大类型方锦清【摘要】大脑网络是复杂的生命系统中一个最典型的复杂网络,是一类“网络的网络”.目前可从三个层次对大脑网络进行建模探索,即微观尺度(神经元)、中尺度(神经集群)、大尺度(脑区域),各层次之间相互影响、错综复杂,研究难度很大.笔者从网络科学观来评述大脑网络的探索进程、研究方法和主要类型.%Brain network is a typical complex network for the most complex living systems, and it belongs to "network of networks". At present, the research is focused on brain models from three levels, namely, microscopic scale (neuron), the mesoscale (neural cluster) and large scale (cortical area). Exploring brain network is very difficult because they influence each other and complicate a-mong various brain levels. The author introduced explore process, research methods and main types of brain networks.【期刊名称】《自然杂志》【年(卷),期】2012(034)006【总页数】7页(P344-349,354)【关键词】网络科学理论方法;大脑网络;结构性网络;功能性网络;效用性网络;网络的网络【作者】方锦清【作者单位】中国原子能科学研究院,北京102413【正文语种】中文大脑网络是复杂的生命系统中一个最典型的复杂网络，是一类“网络的网络”。
一种基于卷积神经网络的脑电信号EEG特征提取方法[发明专利]
![一种基于卷积神经网络的脑电信号EEG特征提取方法[发明专利]](https://img.taocdn.com/s3/m/2cf60af36bd97f192379e9ed.png)
专利名称：一种基于卷积神经网络的脑电信号EEG特征提取方法
专利类型：发明专利
发明人：杨东儒,苏成悦,程俊淇,陈子森,陈禧琛,魏溪卓,姚沛通
申请号：CN201810936466.0
申请日：20180816
公开号：CN109325410A
公开日：
20190212
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于卷积神经网络的脑电信号EEG特征提取方法，包括下述步骤：S1，设计颜色识别的脑电数据采集实验方案；设一个周期有三张测试图片和三张全黑色的过渡图片，测试图片用时t，过渡图片用时t，每个周期中的测试图片分别为红、绿、蓝三原色，且红、绿、蓝三原色出现的顺序随机，则一个周期用时3t+3t，每个被试者测试N个周期，共用时N(3t+3t)；设置过渡图片的目的是为了消除在切换测试图片时产生的视觉残留；本发明避免了使用AR模型提取脑电信号特征中阶数的问题，而且使用卷积神经网络所提取的特征在颜色识别方面取得了满意的结果。
申请人：广东工业大学
地址：510062 广东省广州市大学城外环西路100号
国籍：CN
代理机构：广东广信君达律师事务所
更多信息请下载全文后查看。
脑电信号灰建模及特征提取新方法研究
脑电信号灰建模及特征提取新方法研究
现代神经电气医学面临的挑战之一是作出高分辨率的空间和时间层次的记录，以捕捉由脑内活动引起的分子，细胞和组织级别的细微变化。
近年来，大脑电信号灰色模型及特征提取技术已经成为大脑电信号分析的一个重要研究领域。
灰色模型利用非线性的模型参数，包括每个系统的不同参数。
通过灰色系统，可以从大量复杂的数据中提取到有用的信息，预测和控制系统。
灰色模型还能够表示不确定性，从而帮助人们对大脑电信号的未来变化有一定的把握。
灰色模型是脑电信号特征提取方法中一种重要的技术手段。
它可以分析脑电信号的时间序列结构，检测其不确定性，探测不同波形的变化特征，从而提取有效的特征参数。
基于灰色模型的特征提取方法具有较强的可控性，可以从同一类型的时间序列中提取出适应脑电信号分析的具体特征参数。
灰色模型是一种非常有效的大脑电信号灰色模型和特征提取技术，可以实现大脑电信号灰建模和特征提取，从而更加精准地定位脑细胞网络活动中的高维空间结构和时间层次结构。
它有利于研究大脑电信号的结构空间和时间变化规律，是大脑电信号灰建模及特征提取研究的关键技术手段之一。
未来灰色模型和特征提取技术可以结合其他新技术，如深度学习，机器学习等，实现大脑电信号的更准确的探测及特征提取，为脑健康检测提供新的思路和方法。
脑电信号处理与特征提取
脑电信号处理与特征提取第三节：独立成分分析在连续脑电中的应用Ⅰ.独立成分分析模型1.独立成分分析基于未知独立信号S与观测信号Z之间的线性关系。
该模型可用公式表示：Z=AS。
2.假定观测信号的维度要大于源信号的维度，因此，在数据独立成分分解之前，需要首先进行降维，模型的阶数（源成分的数量）被估计出来后，可以采用降维矩阵将模型从超定转变为正定，X=BS，B=V^T\A，V^T\称为将为矩阵，由PCA估计所得。
独立成分分析的分解模型为：Y=WX，Y是成分矩阵，用于估计源信号S，独立成分分析就是基于成分之间的独立性，计算解混合矩阵W的过程。
3.根据代价函数的不同，有几种不同的独立成分分析算法，包括最大非高斯性算法、极大似然算法、最小互信息量算法、基于张量的算法以及基于去相关的非线性算法与非线性主成分分析算法、基于固定点的FastICA算法、基于最大互信息的InfomaxICA算法。
4.在全局最优解的条件下，独立分量分析算法的系数矩阵和分量矩阵的稳定性在多次随机初始化的情况下保持不变，独立分量分析算法的稳定性与分解得到的分量的稳定性相同。
5.在ICA分解过程中，系数矩阵和成分矩阵相互伴随，但系数矩阵的稳定性和成分矩阵的稳定性不同。
在ICASSO 软件中，将类内相似度与类间相似度之差作为描述成分稳定性的指标Iq，对成分矩阵的稳定性进行评价：Comp_Iq，系数矩阵的稳定性评价指标：Coef_Iq。
只有当系数矩阵与成分矩阵同时稳定时，才可以认为ICA算法稳定了，对于ICA算法的稳定性描述指标，可以用以下公式表示：Iq=Comp\_Iq\times Coef\_Iq\，该稳定性指标的取值范围为0~1，0表示该成分极不稳定，1表示该成分每次分解结果都完全相同。
Comp_Iq可以表示为成分矩阵稳定性的概率，Coef_Iq表示系数矩阵稳定性的概率，因此其乘积可以描述整体算法的稳定性。
Ⅱ.ICA与伪迹去除1.反投影方法可以去除单个分量，并且通过该方法，可以从EEG信号中去除眼电伪迹的分量。
多方法融合的EEG信号特征提取及分类研究
多方法融合的EEG信号特征提取及分类研究葛利;戈力娟;胡晶【摘要】On the basis of deep analysis of EEG signals, a new method of EEG signal classification feature extraction based on multi method fusion that combines wavelet, fractal and statistical three methods was proposed. This paper denoised the EEG signal using wavelet and decompose the denoised and reconstructed signal, calculating the average high frequency coefficients of each scale space as the first part of the EEG classification features, analyzed the multi-fractal spectrum of the de-noised and reconstructed EEG signal at multiple scales, according to the characteristics of the EEG data and classification need, extracting the relevant parameters of multi-fractal spectrum as the second part of the EEG classification features, according to the characteristics of the EEG signal, extracted the relevant statistical characteristics as the third part of the EEG classification features. According to the above extracted characteristics, using BP neural network as classifier and combining with the EEG signal's own characteristics and classification results, chose and determined the final classification features of EEG to complete the classification of the EEG signals. Through comparative analysis, the advantages of this method were illustrated,The accuracy of the EEG classification was improved.%在对EEG 信号进行深入分析的基础上,将小波、分形和统计三种方法相结合,提出一种多方法融合的EEG信号分类特征提取方法.应用小波对EEG信号去噪,并对去噪重构后的EEG信号进行分解,提取各尺度空间上的平均高频系数作为第一部分EEG分类特征,在多尺度下对去噪重构后EEG信号进行多重分形分析,依据EEG数据的特点和分类的需要,提取相关多重分形谱参数作为第二部分EEG分类特征;根据EEG信号的特点,提取相关统计特征作为第三部分EEG分类特征;针对上述提取特征,使用BP神经网络作为分类器,结合EEG信号的自身特点和分类结果,选择确定最终的EEG分类特征,完成了EEG信号的分类.并通过比较说明了本文方法的优势,提高了EEG分类的精度.【期刊名称】《哈尔滨商业大学学报（自然科学版）》【年(卷),期】2017(033)002【总页数】5页(P192-195,201)【关键词】EEG;分类;特征提取;融合【作者】葛利;戈力娟;胡晶【作者单位】哈尔滨商业大学计算机与信息工程学院,哈尔滨 150028;哈尔滨商业大学计算机与信息工程学院,哈尔滨 150028;哈尔滨商业大学计算机与信息工程学院,哈尔滨 150028【正文语种】中文【中图分类】O177近年来，随着科学技术的不断发展、人类对大脑的认识不断深入，一个新的研究领域——“脑机接口”受到越来越广泛的关注.经研究发现，当人们想要进行某种行为时，大脑就会产生相应的生理信号，人体通过神经系统对肌肉进行操控，以实现人们想要进行的活动.而当人们想要进行不同类型的活动时，大脑产生的生理信号是不一样的.直到1929年Electroencephalogram(EEG信号)的出现，人们便想到EEG信号可用于人与计算机的通信.“脑机接口”技术为大脑和外界提供了一种全新的不依赖于周围神经和肌肉的信息交换的控制通道[1]，这样，对丧失肌肉运动能力的残疾人，就能通过“脑机接口”实现他们与外界事物的联系，若可以及时有效地提取和识别相关的EEG信号，就能够帮助行为不便的病人甚至无法行动的病人控制相关辅助装置来代替他们自己受损的运动功能，实现他们想做的动作，成为一种与外界沟通的新途径.目前，随着人脑神经科学的发展，EEG脑电信号采集技术也逐渐成熟.EEG信号综合反映了神经系统的生理活动，是分析神经活动和脑情况的有力工具[2].EEG信号己成为脑疾病诊断、脑功能测试及脑认知活动分析的重要工具，EEG信号的研究也在不断的发展和深化.在临床医学中，EEG信号的处理不仅为某些疾病的诊断提供了依据，而且为某些疾病的治疗提供了一种有效的方法.在实际应用中，人们也尝试使用EEG信号实现人机交互，利用不同的行为产生的EEG信号不同的特点对EEG信号进行特征提取和分类，达到一定的控制目的[3].因此对EEG脑电信号特征提取和分类研究具有重要的理论和实践意义.目前，经常使用的EEG分类特征提取方法主要有：基于AR模型的EEG信号特征提取[4]和基于小波分解的EEG信号特征提取[5-7].这类EEG信号特征提取通常得到的是特征向量，并且在特征提取过程中损失的信息较少，是目前EEG信号分析中最常用的方法，但是这类EEG信号特征提取方法一般都是基于线性模型，与EEG信号的非线性本质并不完全一致，随着EEG信号的非线性确定性渐渐为人们所接受，许多非线性指标也被用于EEG信号的分类，如分形维数、近似熵等[8].然而这些方法都只是片面的提取EEG信号的特征，不能全面地反映EEG信号的总体特征.因此，为了更全面地提取EEG信号的特征，本文针对EEG信号的特点，将小波、分形和统计三种方法结合，提出一种新的EEG信号分类特征提取方法.1.1 基于小波的EEG信号去噪及特征提取方法原始采集的EEG信号中存在着伪迹干扰，伪迹往往来自外部设备(如电极)，或与受试者本身出汗或肌肉活动等有关.伪迹的存在严重阻碍了EEG信号分析的准确性，因此首先必须进行去噪处理.鉴于小波去噪方法擅长信噪分离，适用于非平稳信号并具有较好去噪效果的特点，本文采用小波变换对EEG信号进行去噪.小波变换具有多分辨率的特点，在时频域都具有表征信号局部特征的能力，信号分解后的小波系数表达了它在时域和频域的能量分布特征，而信号分解的高频信息反映了时序数据的复杂性，因此可从多尺度分解的角度出发，依据小波变换的分层分解关系和时频特性提取EEG信号的各层高频小波系数，用来反应不同频带上信号的能量分布特征.常用小波变换特征表示的方法主要有：直接以部分小波系数作为特征、分尺度平均能量特征表示和小波系数的统计信息作为特征三种.其中第三种方法计算简单，构造的特征维数低，存储及运算量小速度快，适用于时序分类特征表示[9].因此，本文方法在小波去噪后，使用小波系数的统计信息完成EEG信号分类特征的提取，采用小波变换多尺度分析的方法，提取信号分解各尺度高频系数，计算各尺度空间上的平均高频系数，选取各尺度平均系数构成特征向量，作为第一部分EEG信号分类特征.1.2 基于分形的EEG信号分类特征提取EEG信号具有非线性的特点，小波变换是一种线性方法，不能完整地提取其分类特征，而分形理论是研究非线性问题的有效手段，因此，为实现优势互补，本文方法将分形理论结合到EEG信号分类特征提取当中.目前，大多数对于EEG信号特征提取的分形方法均使用单一的特征量作为分类的依据，而EEG信号在不同局部区域和不同层次均呈现出不同的特征和复杂性，因此采用单一分形特征量来描述EEG信号的分类特征是不充分的.多重分形是对测度集合标度特征的描述，它用一个谱函数来描述分形体不同层次的行为特征，从系统的局部出发来研究其最终的整体特征，可更精确地描述EEG信号的局部尺度行为[10]，因此对于EEG信号的特征提取使用多重分形谱是非常有利的.多重分形谱的宽度(Δα)、最大最小分形维数差(Δf)、峰值(fmax)、广义分形维数等表征了EEG 信号整体到局部的丰富信息.其中多重分形谱的宽度(Δα)定量描述了EEG信号测度分布的不均匀程度，Δα越大，概率测度分布越不均匀，多重分形性越强，信号波动越剧烈；最大最小分形维数差(Δf)反映了EEG信号的概率子集中最大概率子集和最小概率子集的元素个数之比，定量表征了信号的波动与平稳之比；峰值fmax 描述的是EEG信号的强长相关性信息.因此可通过对EEG信号多重分形谱的分析，依据分类的需要提取相关多重分形谱参数作为第二部分EEG信号分类特征.1.3 基于统计的EEG信号分类特征提取此外，EEG信号具有明显的统计特性，而统计特征能很好地表征原始时间序列的特点，对时间序列分类具有重要意义，同时小波、分形方法提取的特征不能完全表征EEG信号的整体特征，因此为了提高分类精度，将统计特征纳入考虑范围，提取EEG信号的相关统计特征作为第三部分EEG信号分类特征.1.4 多方法融合的EEG信号分类特征提取思想在分析EEG数据特点的基础上，本文采用多方法融合的思想，将小波、分形和统计三者融合进行EEG信号分类特征提取.首先，应用小波变换对信号进行分解，根据EEG信号的特点，对去噪后的EEG信号进行小波分解，完成各尺度的平均高频系数提取；其次，利用多重分形方法，在多尺度下对去噪后的EEG信号进行多重分形特征提取，以达到对EEG信号具有明显的周期性和自相似性特征进行充分表征的目的；再次，根据EEG信号的特点，对EEG的相关统计特征进行提取；最后对上述小波、分形、统计方法提取的特征进行综合分析，结合EEG信号对应的分类结果和自身特点，选择确定最终的分类特征.数据来源于科拉罗多州发布的脑电EEG信号.被试者头戴电极帽，根据标准电极系统，由C3，C4，P3，P4，O1和O2六个部位记录下六个通道的EEG信号，经过Grass 7p511型放大器放大、通频带为0.1～100 Hz的滤波器滤波，经采样频率为250 Hz的12位A/D转换器将数据存于计算机中，每一位受试者对于每一种任务需要多次实验，每一次实验采集10 s，所以每一次试验所得的数据为一个6×2 500矩阵.数据包括五个任务多个被试，五个任务分别为：静息状态、打信件腹稿、心算乘法、想象几何图形旋转、想象在黑板上书写和擦除数字5种.共有7位受试者，其中受试者1、3、4、6对于每种不同任务各做了10次试验；受试者5对于每种不同的任务各做了15次试验；受试者2、7对于每种不同的任务各做了5次试验.考虑到受试者2、7试验次数较少，本文选用受试者1、3、4、5、6共5位受试者的实验数据，每个受试者每个任务各做了10次分类，因此共有250组数据，我们把数据分成训练数据125组，测试数据125组.训练数据和测试数据均包括5类任务，每类任务25组数据.首先依据本文方法对EEG信号去噪，经过对EEG数据的分析，并通过Matlab多次去噪比较后，最终选用db4小波对EEG数据进行3层小波分解，得到各层的高频系数和低频系数，对信号进行强制性去噪处理，将去噪后的高频系数和各层的低频系数重构，得到去噪后的EEG信号.然后对去噪重构后的EEG信号进行小波特征提取，保留EEG信号的趋势项和周期性特征，并考虑到小波函数的正交性、对称性、紧支撑性和消失矩等特点，通过多次对比分析，最终选用sym2小波对去噪后的信号进行3层小波分解，分解出低频系数A1、A2、A3和高频系数D1、D2、D3，小波分解的高频部分能反映信号的复杂性，因此使用高频系数作为分类特征，并基于时间复杂性的考虑，计算各层高频系数的平均系数meanD1、meanD2、meanD3作为第一部分EEG信号分类特征.其次对去噪重构后的EEG信号进行分形特征提取.图1是不同q条件下的τ(q)～q图形.由图1所示可见τ(q)是一个上凸的函数，即τ(q)与q之间存在非线性关系，说明EEG信号具有多重分形特征.图2为EEG信号的多重分形谱，在计算去噪后EEG信号多重分形谱的基础上，结合该数据的多重分形谱结果和EEG数据的特点，选取EEG信号的分形特征谱宽度Δα、最大最小分形维数差Δf、峰值max(f,q))、容量维数D0、信息维数D1、关联维数D2作为第二部分EEG信号分类特征.并对去噪重构后的EEG进行统计特征提取，常用的统计特征有均值、方差、极值和峰值等，对于EEG脑电信号通常会提取它的峰值、熵值[11]作为分类特征，通过对分类结果的多次比较分析，发现提取EEG的峰值作为分类特征能达到很好的分类效果，因此本文提取EEG信号的峰值h作为其统计分类特征.在确定EEG信号分类特征后，为分析特征提取方法的适用性并验证其有效性，需要选取合适的分类器完成最终的分类.常用的非线性分类器有：支持向量机(Support Vector Machine SVM)，神经网络(NN)等.通过以往对EEG信号分类的研究发现，BP神经网络分类器对EEG信号具有很好的分类效果，因此，本文选用BP神经网络分类器对EEG信号进行分类.针对上述所有分类特征，利用BP神经网络分类器进行分类，将上述特征作为分类器的输入，通过多次分类结果比对，最终选取小波特征高频系数的平均系数meanD1、meanD2、meanD3、多重分形谱的分形特征谱宽度Δα、最大最小分形维数差Δf、峰值max(f(q))、统计特征峰值作为EEG分类特征，得到最终的分类结果.为说明本文方法的优越性，在训练样本、测试样本和分类器参数均不变的前提下，分别使用meanD1、meanD2、meanD3、Δα、Δf、max(f(q))小波和分形特征；meanD1、meanD2、meanD3、h小波和统计特征；Δα、Δf、max(f(q))、h分形和统计特征作为分类器的输入分别进行了三组比较分类，比较结果如表1所示.表1给出了该EEG信号在不同分类特征提取方法下的分类正确率，首先由表中可见，本文方法和以往使用相同数据[2]进行特征提取的分类结果比较，本文方法在所有分类下的分类正确率均明显高于以往方法的分类正确率，说明了本文方法对EEG信号分类特征提取的有效性和优势.同时，在保证训练样本和测试样本不变的基础上，与其他两种方法结合进行特征提取的分类结果对比，从结果可见，使用小波、分形和统计三种方法融合进行EEG分类特征提取在所有分类下的分类结果均高于其他两种分类特征提取方法对应的分类结果，这说明仅仅使用两种方法提取的EEG分类特征不能完全表征EEG信号的特点，将小波、分形和统计三种方法结合的思想弥补了使用两种方法的不足，能更加全面地提取EEG信号的分类特征，提高分类精度.同时也说明了本文方法不仅在理论上具有互补性，在实际应用中也具有更好的分类效果.本文针对EEG信号分类问题，采用多方法融合的思想，提出将小波、分形和统计相融合的分类特征提取方法，并结合BP神经网络分类器，实现了EEG信号的分类和特征提取.并通过与其他方法的多角度比较分析，说明了本文EEG信号特征提取和分类方法的优势，提高了EEG信号分类的精度.【相关文献】[1] WOLPAW J R, BIRBAUMER N, MCFARLAND D J. Brain-Computer interfaces for communication and control [J].Clinical neurophysiology, 2002, 113(6): 767-771.[2] 贾花萍. 基于神经网络的EEG信号分类方法研究[D]. 天津: 天津师范大学, 2009.[3] 韩敏. 基于回声状态网络的脑电信号特征提取[J]. 生物医学工程学杂志, 2012, 29(2): 206-211.[4] ABOVE D E. Least squares support vector machine employing model-based methods coefficients for analysis of EEG signals [J]. Expert Syst Appl, 2010, 37(1): 233-239.[5] SADATI N, MOHSENI H R, MAGHSOUDI A. Epileptic seizure detection using neural fuzzy networks[C]// Canada: IEEE International Conference on Fuzzy Systems, 2006. [6] UBEYLI E D. Wavelet miaxture of experts network structure for EEG signals classification[J]. Expert Syst Appl, 2008, 34(3): 1954-1962.[7] UBEYLI E D. Combined neural network model employing wavelet coeffients for EEG signals classification[J]. Digital Signal Processing, 2009, 19(2): 297-308.[8] LEHNERTZ K. Epilepsy and nonlinear dynamics [J]. J Biol Phys, 2008, 34(3-4): 253-266.[9] 张静远, 张冰, 蒋兴舟. 基于小波变换的特征提取方法[J]. 信号处理, 2000, 16(2): 157-162.[10] 李潭. 高速列车转向架振动信号多重分形特征提取与故障诊断[J]. 工业控制计算机, 2015, 28(7): 68-72.[11] 刘慧, 谢洪波, 卫星. 基于模糊熵的脑电睡眠分期特征提取与分类[J]. 数据采集与处理, 2010, 25(4): 484-489.。
一种用于高光谱图像特征提取的子空间核方法
一种用于高光谱图像特征提取的子空间核方法刘振林;谷延锋;张晔【摘要】特征提取对于实现高光谱遥感图像的有效信息挖掘和利用以及提高后续分类应用有着重要价值。
为了改进降维效果，提出一种子空间调制的核主成分分析方法，将高光谱数据分组特性整合到一个统一的核方法框架中，并构造子空间调制核。
子空间调制核依靠特征分组实现了在光谱波段上的稀疏调制，它也是一个数据自适应的核，用于度量高光谱数据样本间的非线性相似性。
该方法利用AVIRIS真实高光谱图像进行评估，并且与传统的核方法、光谱加权核方法进行了比较。
实验结果表明，基于子空间调制的核方法更充分地利用了波段间复杂相关的物理特性，进而在高光谱图像分类方面的结果好于传统的核方法与光谱加权核方法。
%Feature extraction is quite valuable for the mining and utilization of valid information in hyperspectral re-mote-sensing imaging and the increase of subsequent classified applications. For improving the dimension reduction effect, a subspace-modulated kernel principal component analysis ( SM-KPCA) method is proposed. With this method, the grouping natures of hyperspectral data are integrated into a uniform kernel method framework and a subspace-modulated kernel is constructed. SMK( subspace-modulated kernel) achieves a sparse modulation on the spectral waveband by means of feature grouping;in addition, it is a data-adaptive kernel for measuring the nonlin-ear similarities among the hyperspectral data specimens. With the proposed method, AVIRIS( airborne visible infra-red imaging spectrometer) real hyperspectral imaging is applied for evaluation. Additionally, this methodis com-pared with the conventional kernel method and the spectrally weighted kernel method. The experimental results show that the SM-KPCA method more sufficiently utilizes the complex and relevant physical characteristics between wavebands. Therefore, it outperforms both the conventional kernel methods and the spectrally weighted kernel meth-od regarding the aspect of the classification of hyperspectral images.【期刊名称】《哈尔滨工程大学学报》【年(卷),期】2014(000)002【总页数】7页(P238-244)【关键词】高光谱图像;核方法;数据降维;图像分类;特征提取【作者】刘振林;谷延锋;张晔【作者单位】哈尔滨工业大学电子与信息工程学院，黑龙江哈尔滨150001;哈尔滨工业大学电子与信息工程学院，黑龙江哈尔滨150001;哈尔滨工业大学电子与信息工程学院，黑龙江哈尔滨150001【正文语种】中文【中图分类】TN911.73近年来高光谱成像技术广泛应用于民用和军用领域。
特征提取
05
特征提取性能评估与优 化策略
评估指标选择及计算方法
准确率
精确率与召回率
F1分数
ROC曲线与AUC值
衡量分类器正确分类的样本占 总样本的比例，是常用的评估 指标之一。
针对二分类或多分类问题，精 确率表示预测为正且实际为正 的样本占预测为正样本的比例 ；召回率表示预测为正且实际 为正的样本占实际为正样本的 比例。
基于图像处理方法
01
02
03
04Biblioteka 边缘检测利用Sobel、Canny等算子检 测图像的边缘信息，提取图像
的轮廓特征。
形态学处理
通过腐蚀、膨胀、开运算和闭 运算等形态学操作，分析图像
的几何结构特征。
特征点检测与描述
利用SIFT、SURF等算法检测 图像中的特征点，并生成相应
的特征描述符。
色彩空间转换
将RGB色彩空间转换为HSV 、YCbCr等其他色彩空间，便
要点三
长期依赖问题
标准循环神经网络在处理长序列时可 能出现梯度消失或梯度爆炸问题，导 致无法有效捕捉长期依赖关系。为解 决这一问题，可以采用长短时记忆网 络（LSTM）或门控循环单元（GRU ）等改进型循环神经网络。
深度自编码器（Autoencoder）在无监督学习中应用
数据压缩与降维
自编码器通过学习将输入数据编 码为低维表示，并从该表示中重 构出原始数据，从而实现数据压
综合考虑精确率和召回率，是 二者的调和平均数，用于评估 模型的综合性能。
通过绘制不同阈值下的真正例 率和假正例率，得到ROC曲线 ；AUC值为ROC曲线下的面积 ，用于评估模型的分类效果。
基于自动子空间划分的高光谱数据特征提取
基于自动子空间划分的高光谱数据特征提取谷延锋;张晔【期刊名称】《遥感技术与应用》【年(卷),期】2003(18)6【摘要】针对遥感高光谱图像数据量大、维数高的特点,提出了一种自动子空间划分方法用于高光谱图像数据量减小处理。
该方法主要包括3个处理步骤:数据空间划分,子空间主成分分析和基于类别可分性准则的特征选择。
该方法充分利用了高光谱图像各波段数据之间的局部相关性,将整个数据划分为若干个具有较强相关性的独立子空间,然后在子空间内利用主成分分析进行特征提取,根据各类地物间的类别可分性选择有效特征,最后利用地物分类来验证该方法的有效性。
实验结果表明,该方法能够有效地实现高光谱图像数据维数减小和特征提取,同现有的自适应子空间分解方法和分段主成分变换方法相比,该方法所提取的特征用于分类时能获得较好的分类精度。
利用该方法进行处理,当高光谱数据维数降低了90%时,9类地物分类实验的总体分类精度可以达到80.2%。
【总页数】4页(P384-387)【关键词】高光谱图像;子空间划分;特征提取【作者】谷延锋;张晔【作者单位】哈尔滨工业大学电子与通信工程系【正文语种】中文【中图分类】TP391.4【相关文献】1.基于子空间划分和耀斑抑制的赤潮高光谱高精度快速检测研究 [J], 杨慧芳;马毅;胡亚斌;刘荣杰;任广波;李晓敏2.基于子空间划分和耀斑抑制的赤潮高光谱高精度快速检测研究 [J], 杨慧芳;马毅;胡亚斌;刘荣杰;任广波;李晓敏;;;;;;;;3.基于子空间划分和自我表示学习的高光谱波段选择 [J], 王鑫;汪国强4.基于近邻子空间划分的高光谱影像波段选择方法 [J], 唐厂;王俊因版权原因，仅展示原文概要，查看原文内容请购买。
高维数据有效特征的提取方法及其在测绘信息模式识别中的应用
向上的投影就是 n 个实数 : a T x 1 , a T x 1 , …, a T x n , 。 投影指标就是这 a 个实数的函数 , 记作 Q ( a T X ) 。
假定指标值越大越好 , 则投影寻踪就是要求一个单
位向量 b ,满足式 (5) 。
Q ( bT X) = Q ( bT x 1 , …, bT x n
X = WS
(6)
这里 W 是未知的 n ×d 混合型满秩矩阵 。ICA
的目的是从混合观测向量 X 中 , 估计出独立源成分
si ,也即估计出混合型矩阵 W 。假设不同的物理过
© 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved.
列 ,选取前 p 个本征值 。
20 世纪 70 年代以来 ,随着计算机技术的发展
和计算机的普及 ,一些适应于高维数据处理的探索
性数据分析方法 ( Exploratory Data Analysis ; EDA)
不断涌现 ,而投影寻踪 ( Projection Pursuit ,简称 PP)
就是其中的一种很新和很有价值的高新技术[5 - 6 ] 。
数据找到一种线性变换 ,这些成分与成分之间是统 计独立的或者尽可能的独立 。ICA 的原理为给定 n 个随机变量 x 1 , x 2 , …, x n , 假设为 d 个未知的独 立成分 s1 , s2 , …, sd 的线性组合 。将 n 个随机变 量写成向量形式 X = { x 1 , x 2 , …, x n} , 相应的独立 成分写成 S = { s1 , s2 , …, sd} , 那么线性关系用式 (6) 给出 。
基于改进CSSD的脑电信号特征提取方法
基于改进CSSD的脑电信号特征提取方法李明爱;陆婵婵;杨金福【期刊名称】《北京工业大学学报》【年(卷),期】2013(039)007【摘要】针对脑-机接口系统在训练样本较少的情况下,存在脑电(EEG)信号特征值稳定性低、特征向量区分度差等不足,提出一种脑电特征提取方法,即正则化共空域子空间分解法(R-CSSD).该方法在传统共空域子空间分解(CSSD)算法的基础上引入正则化思想,通过正则化参数将目标实验者的训练数据与其他实验者(称为辅助实验者)的同类型训练数据进行有效结合,以构造正则化空间滤波器,完成对目标实验者运动想象EEG信号的特征提取,并进一步选用K近邻(KNN)算法实现脑电数据的分类.实验结果表明:在小训练样本情况下,R-CSSD方法有效提高了脑电信号特征值的稳定性,在提高分类正确率、降低时间消耗方面具有良好的性能.【总页数】8页(P1021-1028)【作者】李明爱;陆婵婵;杨金福【作者单位】北京工业大学电子信息与控制工程学院,北京 100124;北京工业大学电子信息与控制工程学院,北京 100124;北京工业大学电子信息与控制工程学院,北京 100124【正文语种】中文【中图分类】R318【相关文献】1.基于盲源分离的运动想象脑电信号特征提取方法的研究 [J], 张立国;张玉曼;金梅;于国辉2.基于局部均值分解和多尺度熵的运动想象脑电信号特征提取方法 [J], 邹晓红;张轶勃;孙延贞3.基于HHT和CSSD的多域融合自适应脑电特征提取方法 [J], 李明爱;崔燕;杨金福;郝冬梅4.基于非线性动力学的八类运动想象脑电信号特征提取方法研究 [J], 田敏婷;商玉林;陈珊5.基于改进CSSD的运动想象脑电信号特征提取 [J], 张毅;梅彦玲;罗元因版权原因，仅展示原文概要，查看原文内容请购买。
空间特征提取与模式识别
空间特征提取与模式识别一、概述随着计算机技术以及传感器技术的不断发展，各类地理空间数据在不断生成，给地理信息系统(GIS)提供了更多数据资源。
空间特征提取与模式识别是GIS中的一个重要任务，是将地理空间信息的特征提取出来，并通过模式识别技术分析空间现象的规律性和相关性，从而揭示地理现象及其规律性。
本文将对空间特征提取与模式识别技术的研究现状、方法、应用进行详细阐述。
二、空间特征提取方法（一）基于图像处理方法的空间特征提取图像处理方法是一种常用的空间特征提取方法，主要应用于遥感影像、卫星影像等场景。
图像处理方法的过程包括图像的预处理、特征提取和分类识别。
其中，特征提取是图像处理方法的核心环节，主要研究特征值的提取和计算。
在应用过程中，一般采用像元面积统计、纹理特征、形状特征、空间关系度量等方式进行特征提取。
常见的图像处理方法包括主成分分析法(PCA)、多级LBP(Local Binary Pattern)方法、SIFT(Scale-Invariant Feature Transform)方法等。
（二）基于时空数据分析方法的空间特征提取时空数据分析是GIS的重要领域之一，其主要任务是在时间和空间上分析地理数据的变化规律。
时空数据分析方法主要包括空间统计方法、时空监测方法和空间数据挖掘方法等。
空间统计方法主要用于分析地理空间与其他统计变量之间的关系，包括Moran指数、Geary指数、G函数等；时空监测方法主要用于分析时空数据的变化趋势和特征，包括趋势分析法、周期性分析法等；空间数据挖掘方法主要用于空间数据的分类、聚类与关联分析等。
三、模式识别方法（一）机器学习方法机器学习方法是一种基于数据的模式识别方法，其主要任务是通过学习已有数据的特征，预测新的未知数据的属性。
机器学习方法包括无监督学习、有监督学习和半监督学习等。
其中，无监督学习主要用于数据的聚类和降维处理；有监督学习主要用于数据的分类和预测；半监督学习主要用于数据的半监督分类和半监督回归等。
特征有效提取的自适应核特征子空间方法
特征有效提取的自适应核特征子空间方法
张朝阳;田铮
【期刊名称】《模式识别与人工智能》
【年(卷),期】2013(26)4
【摘要】基于核的主成分分析(KPCA)方法能提取数据的非线性特征,但特征提取的效率却与训练样本集合的容量成反比.文中提出一种特征提取的自适应核特征子空间方法来快速有效地提取特征.该方法和KPCA方法在理论分析框架上是一致的,但通过自适应的选取核子空间的张成向量,能在提高特征提取效率的同时不影响特征提取的精度.针对模拟数据和MNIST数据的实验结果表明文中方法优于经典KPCA 方法和参考方法.
【总页数】10页(P392-401)
【作者】张朝阳;田铮
【作者单位】西北工业大学理学院西安710129;西北工业大学理学院西安710129
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.基于局部特征自适应加权2DPCA提取表情特征 [J], 莫莉敏
2.核典型关联性分析相关特征提取与核逻辑斯蒂回归域自适应学习 [J], 刘建伟;孙正康;刘泽宇;罗雄麟
3.自适应主元提取算法及其在人脸图像特征提取中的应用 [J], 甘俊英;张有为;毛士艺
4.基于一种自适应核学习的KECA子空间故障特征提取 [J], 张伟;许爱强;平殿发
5.基于自适应分块金字塔匹配核的特征提取算法 [J], 李艳荻;徐熙平;王佳琪
因版权原因，仅展示原文概要，查看原文内容请购买。
脑机接口系统中脑电信号特征提取与分类
2.2 特征提取 特征提取分为三步，首先是 CSP 滤波，接下来是连续小波(Continuous Wavelet Transform, CWT)分析，最后采用 T 加权方法提取特征。 CSP 是一种有监督的空间滤波方法，其思想是使两类信号滤波后的空间成分在能量上差 异最大[4]，换而言之，是要找到使其中一类方差最大同时另一类方差最小的投影方向，这样
时频面上对小波系数幅值做最大值滤波，用来消除纹波效应，结果如图 2 所示。
任务一的第一个方向 5
任务一的第二个方向 5
9
0.8
9
0.8
频率(Hz)
频率(Hz)
13
0.6
13
0.6
17
0.4
17
0.4
21
21 0.2
0.2
25
25
0
1
2
3
4
5
6
0
1
2
3
4
5
6
时间(s)
时间(s)
任务二的第一个方向
5
任务二的第二个方向
important experimental paradigm. In this paper, the dataset from BCI Competition II is analyzed
using the algorithm designed through common spatial pattern filter, continuous wavelet transform
人脑功能的成像技术与分析方法
人脑功能的成像技术与分析方法随着神经科学的快速发展，人类对于大脑功能的研究的需求也越来越高了。
而人脑功能的成像技术与分析方法就是神经科学领域中至关重要的工具。
这些技术和方法不仅可以帮助我们更好地了解大脑的结构和功能，更能够帮助我们找到治疗脑部疾病的方法。
本文将从MRI、EEG、MEG、PET、fMRI、DTI等多个角度来探讨人脑功能的成像技术与分析方法。
MRIMRI是静态磁共振成像（Magnetic Resonance Imaging）的缩写。
这项技术利用磁共振现象在人体内生成信号，再将信号转化为图像。
MRI可以在不用放射线的情况下，对人脑的结构进行高清晰度的成像，是人类研究大脑结构与功能的重要工具之一。
MRI成像技术可以通过不同的扫描方式来观察不同的像素，增强对人脑结构的了解。
EEG脑电图（Electroencephalogram）就是通过EEG仪器监测脑电活动的方法。
它能够记录并分析神经元活动的时间和空间特征，并且可以记录脑电波的强度和频率。
这项技术常用于判断神经系统疾病是否与大脑电活动异常有关，也可用于诊断睡眠障碍等脑相关疾病。
MEG与EEG相似，脑电磁图（Magnetoencephalography）是利用MEG仪器检测脑电活动的方法。
但与EEG不同的是，MEG仪器通过检测脑神经元的磁场变化来记录脑电信号，而非EEG记录的电信号。
这也就意味着MEG仪器可以监测到EEG无法检测到的细节。
MEG技术可以记录大脑的数百万神经元之间的相互作用，因此在研究人脑基础科学方面具有重要意义。
PET正电子发射断层扫描（Positron Emission Tomography）是一种核医学成像技术。
它通过将放射性药物含入人体，然后记录药物衰变过程放出的正电子，以此来评估大脑活动的区域以及程度。
PET技术可用于测量吸氧率、葡萄糖、羧化剂等置换物的布局及其转移情况。
这些成分是与神经活动相关的代谢产物，因此通过对它们的扫描分析来确定大脑功能的变化和情况。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Abstract：Aiming at the hypothesis of strict linear model between source signals and recorded EEG signals in the Common Spatial Patterns（CSP）, an EEG feature extraction method based on Kernel Tensor Subspace Decomposition（KTSD）is proposed, which can give full play to the advantage of tensors in multidimensional and simultaneous processing. Firstly, the tensor of EEG data is generated, and the tensor decomposition problem is solved by using the least squares problem with quadratic equality constraints, subsequently the tensor is extended to the subspace to reduce the computational pressure. Finally, it is extended to the kernel space to enhance the discrimination ability by projecting data onto highdimensional feature space. BCI competition III-3a data set is used in the experiment. The experimental results show that KTSD method can extract the corresponding features from EEG data of various motion imagery tasks, and obtain better classification results and operational efficiency. Key words：EEG date; kernel tensor; subspace; kernel space
1 引言
特征提取是脑机接口中脑电（EEG）信号分类和医 学应用的重要环节 。 [1] 基于 EEG 信号的语法描述或统 计特征可以获得许多特征，但无效特征增加了计算成本， 降低了分类性能，所以特征提取的有效性一直是一个十 分 重 要 的 问 题 。 [2] 主 成 分 分 析（Principal Component
基金项目：国家自然科学基金面上项目（No.61473339）；秦皇岛市科学技术与研究发展计划（No.2012021A057）。 作 者 简 介 ：高 煜 妤（1982—），女 ，硕 士 研 究 生 ，助 理 研 究 员 ，主 要 研 究 领 域 为 模 式 识 别 ，E- mail：luckygyy2018@；王 柏 娜
高煜妤，王柏娜 . 核张量子空间分解 EEG 特征提取方法研究 . 计算机工程与应用，2019，55（7）：132-137. GAO Yuyu, WANG Baina. Kernel tensor subspace decomposition- based EEG feature extraction method. Computer Engineering and Applications, 2019, 55（7）：132-137.
Analysis，PCA）作为一种典型的自组织学习方法，是一 种行之有效的线性降维技术[3]，广泛应用于特征提取，但 是在 EEG 分类中不是特别有用，因为它求取的投影不 一定与类标签相关，而基于同时对角化的 CSP 方法是 PCA 方法中的一种[4]。王金甲[5]用核函数的方法将多类 CSP 扩展到了核空间进行特征提取，缓解了 CSP 对脑内
Kernel Tensor Subspace Decomposition-Based EEG Feature Extraction Method GAO Yuyu, WANG Baina
Liren College, Yanshan4, China
132 2019，55（7）
Computer Engineering and Applications 计算机工程与应用
⦾模式识别与人工智能⦾
核张量子空间分解 EEG 特征提取方法研究
高煜妤，王柏娜 燕山大学 里仁学院，河北 秦皇岛 066004
摘 要：针对共空间模式（Common Spatial Patterns，CSP）对源信号和记录的脑电信号之间严格的线性模式的假设 关系，充分发挥张量在多维上同时处理的优势，研究了一种核张量子空间分解 EEG 特征提取方法。首先生成 EEG 数 据的张量 ，利用带二次等式约束的最小二乘问题解决张量分解问题 ，并将张量扩展到子空间 ，减小计算的压力 ，最后 推广到核空间，将数据投影到高维特征空间来增强辨别能力。实验数据采用 2005 年 BCI 竞赛 III 的数据集 III_3a，实 验结果表明，KTSD 方法能够从多类运动想象任务的 EEG 数据中提取相应的特征，并得到较好分类结果和运行效率。 关键词：EEG 数据 ；核张量 ；子空间 ；核空间 文献标志码：A 中图分类号：TN911.7 doi：10.3778/j.issn.1002-8331.1809-0239