目录

●第1章 基于人工智能的时频分布和卷积神经网络（CNN）用于睡眠阶段分类 1
1.1 前言 1
1.2 材料和方法 4
1.2.1 睡眠-EDF数据集EEG信号 4
1.2.2 EEG时频变换技术 5
1.2.3 卷积神经网络 7
1.3 结果 9
1.4 讨论 13
1.5 小结 15
原著参考文献 15
第2章 运动想象BCI方法综合评述：挑战与未来方向 19
2.1 前言 19
2.2 系统评述和荟萃分析的优选报告项目（PRISMA）指南 20
2.3 荟萃分析结果：常用的基准MI-BCI数据集及方法 20
2.4 讨论 61
2.5 小结 62
原著参考文献 62
第3章 运动想象脑机接口系统中一种新特征提取方法 81
3.1 前言 81
3.2 BCI类型和应用 82
3.2.1 脑电信号 82
3.2.2 其他用于记录大脑活动的方法 82
3.2.3 BCI应用 83
3.3 盲源分离（BSS）及其在BCI中的应用 83
3.4 MI-BCI相关工作 84
3.4.1 去除噪声和伪迹 84
3.4.2 扩展输入维度 84
3.4.3 共空间模式（CSP） 85
3.4.4 空间滤波 87
3.5 所提方法 88
3.5.1 用于评估的数据集：BCI竞赛Ⅲ中的标准数据集IVa 90
3.5.2 数据预处理 90
3.5.3 中间处理方法 92
3.5.4 最终处理 94
3.6 计算机仿真与结果 94
3.6.1 实验1 94
3.6.2 实验2 95
3.7 讨论 96
3.8 小结 97
原著参考文献 97
第4章 针对个性化BCI开发：评估功率谱分析和机器学习技术 100
4.1 前言 100
4.2 数据来源：BCI竞赛Ⅲ中的标准数据集IVa 104
4.3 分析方法 105
4.3.1 步骤1：数据预处理 105
4.3.2 步骤2：通道选择 106
4.3.3 步骤3：特征提取 107
4.3.4 步骤4：分类 108
4.4 性能验证/评估 109
4.5 参数选择 109
4.5.1 多尺度主成分分析（MSPCA） 110
4.5.2 逻辑回归（LR） 110
4.5.3 多层感知器（MLP） 110
4.5.4 Welch方法 110
4.5.5 Burg方法 110
4.5.6 MUSIC方法 110
4.6 结果 110
4.7 讨论 114
4.8 小结 115
原著参考文献 116
第5章 人工智能在BCI中非侵入式模态获取与建模的概念 119
5.1 前言 119
5.2 脑电图 121
5.3 人工智能用于EEG信号分析 123
5.4 脑与机器之间的通信接口 125
5.5 EEG信号采集和分析方法 127
5.5.1 EEG信号采集 127
5.5.2 EEG信号分析 128
5.5.3 EEG信号表征 132
5.6 结果 133
5.7 讨论与未来展望 133
5.8 小结 134
原著参考文献 134
第6章 Bi-LSTM-深度CNN检测精神分裂症：基于EEG信号的MSST频谱图 139
6.1 前言 139
6.2 数据集和研究方法 140
6.2.1 精神分裂症受试者和普通受试者EEG数据集描述 140
6.2.2 多重同步挤压变换（MSST） 141
6.2.3 基于VGG-16和Bi-LSTM的卷积神经网络（CNN） 142
6.3 结果与讨论 145
6.4 小结 149
原著参考文献 150
第7章 基于EEG信号的癫痫发作检测 153
7.1 前言 153
7.2 EEG信号的背景知识及其作为癫痫发作预测的不错选择 155
7.2.1 EEG信号的分析技术 156
7.2.2 EEG信号分析癫痫发作及其不同阶段 157
7.3 机器学习方法在癫痫检测中的应用 158
7.3.1 EEG信号预处理 158
7.3.2 EEG信号特征提取 158
7.3.3 基于EEG信号的癫痫发作分类方法 159
7.4 深度学习方法在癫痫检测中的应用 160
7.4.1 循环神经网络（RNN） 161
7.4.2 卷积神经网络（CNN） 161
7.5 EEG信号检测癫痫发作相关工作与比较分析 162
7.5.1 EEG信号检测癫痫发作面临的挑战 165
7.5.2 未来展望 166
7.6 小结 166
原著参考文献 166
第8章 基于单通道EEG信号的个性化深度学习算法用于困倦检测 175
8.1 前言 175
8.2 困倦检测（DD） 176
8.2.1 困倦与EEG 176
8.2.2 困倦和清醒状态EEG模式及其深度学习分类 177
8.3 困倦和清醒状态的EEG数据库 178
8.4 提出的预处理方法和CNN 架构 179
8.4.1 采用带通滤波预处理EEG信号 179
8.4.2 用于分类的CNN架构 179
8.5 实验结果 181
8.5.1 CNN的性能 181
8.5.2 所提方法与现有技术的比较 182
8.6 小结 183
原著参考文献 183
第9章 基于EEG信号的深度学习神经网络用于睡眠呼吸暂停检测 185
9.1 前言 185
9.2 多导睡眠呼吸暂停和正常呼吸检测数据库 188
9.3 睡眠呼吸暂停状态检测方法：基于CNN和LSTM 189
9.3.1 多导睡眠EEG信号预处理 189
9.3.2 LSTM和CNN并行组合分类器 189
9.4 实验结果 190
9.4.1 预处理：提取和合并EEG子带 190
9.4.2 性能参数：基于混淆矩阵评价 191
9.4.3 深度学习模型的参数调整 192
9.4.4 CNN-LSTM的性能 192
9.4.5 与相关机器学习和深度学习算法的性能比较 193
9.5 小结 193
原著参考文献 194
第10章 基于EEG信号的心理状态分类：采用理性扩张小波变换与装袋树分类器 196
10.1 前言 196
10.2 检测心理状态的方法：基于RDWT-EBT的AIS 198
10.2.1 心理状态（专注、分心和困倦）EEG数据集 199
10.2.2 理性扩张小波变换（RDWT） 200
10.2.3 心理状态的EEG特征 203
10.2.4 集成分类器 204
10.3 结果和讨论 205
10.4 小结 209
原著参考文献 210
第11章 一种新的元启发式优化方法：用于EEG-BCI中言语想象任务的鲁棒空间滤波器设计与分类 213
11.1 前言 213
11.2 实验 215
11.2.1 受试者 215
11.2.2 言语想象实验范式 216
11.2.3 数据获取 216
11.3 多次实验、多试次EEG数据的鲁棒空间滤波器设计 217
11.3.1 共空间模式（CSP） 217
11.3.2 Devlaminck提出的CSP 218
11.3.3 Lotte和Guan提出的CSP 218
11.3.4 加权CSP 218
11.3.5 优化框架 219
11.3.6 混合优化 220
11.3.7 选择合适的CSP准则 222
11.4 自适应网络模糊推理系统 222
11.4.1 磷虾群算法 223
11.4.2 基于磷虾群算法的自适应网络模糊推理系统（ANFIS）参数优化 225
11.5 实验结果 226
11.5.1 不同鲁棒空间滤波优化方法的精度比较 226
11.5.2 磷虾群算法应用的效果 228
11.6 小结 229
原著参考文献 229
第12章 基于变分模态分解的皮层脑电信号手指屈伸检测 231
12.1 前言 231
12.2 变分模态分解的原理 232
12.3 研究中提取的特征 233
12.3.1 相关熵和交叉信息势 233
12.3.2 Kozachenko-Leonenko熵 234
12.4 支持向量机在分类中的应用 234
12.5 数据集及相关处理 235
12.5.1 手指屈曲运动数据集 235
12.5.2 通道选择和数据分割 235
12.6 提出的方法 236
12.7 结果与讨论 237
12.8 小结 243
原著参考文献 244
第13章 BCI硬件与软件：超低功耗OTA与Gm-C滤波器设计及AI/ML进度 247
13.1 前言 247
13.2 BCI系统中信号采集、预处理、特征提取与选择及分类技术 248
13.2.1 信号采集 248
13.2.2 信号预处理 249
13.2.3 信号特征提取与选择 251
13.2.4 信号分类 252
13.3 BCI系统硬件分析：用于EEG信号处理的低功耗OTA与Gm-C滤波器设计 253
13.3.1 亚阈值操作 254
13.3.2 传统的体驱动FC-OTA 255
13.3.3 本章提出的OTA 256
13.3.4 仿真结果 258
13.3.5 Gm-C滤波器的应用 263
13.4 小结 267
原著参考文献 268
第14章 基于深度自编码器的MRI脑肿瘤自动检测方法 275
14.1 前言 275
14.1.1 基于机器学习的脑肿瘤分类研究评述 276
14.1.2 提出的卷积自编码器模型研究的问题、贡献与局限性 279
14.2 提出的研究方法框架、数据集和技术 280
14.2.1 方法框架 280
14.2.2 脑肿瘤和正常大脑的MR图像数据集 280
14.2.3 卷积自编码器模型 281
14.2.4 训练优化器 282
14.2.5 方差阈值（VT）和RF算法进行特征降维和选择 284
14.3 分类方法 286
14.3.1 支持向量机（SVM） 286
14.3.2 k最近邻（kNN） 290
14.3.3 决策树（DT） 291
14.4 混淆矩阵评价及所提分类模型性能 292
14.5 实验研究及结果 293
14.6 小结 297
原著参考文献 298
第15章 评估机器智能技术在脑肿瘤疾病预测中的卓越表现 303
15.1 前言 303
15.2 机器智能技术在脑肿瘤疾病预测中的相关工作 304
15.3 材料和方法 305
15.3.1 脑肿瘤MR图像数据描述 305
15.3.2 脑部病变MR区域的分割过程 305
15.3.3 机器智能算法描述 306
15.4 结果与讨论 310
15.5 小结 313
原著参考文献 313