脑信号特征提取与选择算法研究

       如何发掘脑信号中包含的特征信息，对于脑信号分析和分类具有决定性的作用。传统的方法常常是基于对信号中某些成分的理解，开发特征提取算法。稀疏表示、深度学习、张量分析是目前国际上与信号分析有关的热门研究领域，具有重要应用前景。我们考虑采用信号稀疏表示、深度学习、张量分析等手段，自动从脑电数据中发掘和提取特征，建立系列基于这些先进数据处理手段的的特征提取与选择算法，并结合统计检验，保证所选特征的有效性和完整性。

半监督机器学习算法

       半监督机器学习是机器学习与模式识别的一个热门研究方向，其突出优点是可以减少训练集，提高算法对动态数据的自适应能力。研究内容：针对动态数据，建立联合特征提取与分类的半监督机器学习算法，提取数据的动态特征，实现自适应分类与识别。

基于信号稀疏表示的脑信号分析

       稀疏表示是脑数据处理的一个新的强有力的工具。主要研究内容：基于信号稀疏表示的脑电信号时频窗口的选择、通道选择；基于稀疏表示的功能核磁共振成像（fMRI）信号的体素选择与脑活动区域定位；基于fMRI的人脑活动状态的解码。

脑信号分析自适应算法

       由于实验者的个体差异显著，实验环境区别大等特点，所处理的脑信号具有很大的差异。另外在脑机接口的使用过程中，由于疲倦和注意力分散等问题，脑信号在实验过程中会出现很大的变化。为了让脑机接口系统能稳定地工作，必须建立对环境及信号特性变化具有自适应能力的算法。我们研究如何利用合适的脑机接口反馈信息（结合半监督学习），通过自适应算法，实现稳定的脑信号实时分析。