基于非负矩阵分解的脑电信号特征提取算法研究

发布时间：2017-12-26 02:46

  本文关键词：基于非负矩阵分解的脑电信号特征提取算法研究　出处：《燕山大学》2015年硕士论文　论文类型：学位论文

  更多相关文章： 运动想象脑电 特征提取 小波变换 非负矩阵分解 独立分量分析 支持向量机

【摘要】：运动想象脑-机接口通过检测大脑进行运动想象时伴随着能量和相位变化的脑电信号,进而判断大脑正在执行的运动想象任务(如想象左、右手运动)。该系统不依赖于大脑的神经-肌肉通路,利用计算机或其他电子设备对特定大脑活动进行分析,来向外界传达控制命令。非负矩阵分解是一种新的模式识别方法。此方法在矩阵中所有元素均为非负的条件下对其实现非负分解。基于非负矩阵分解的运动想象脑电特征提取技术不但具有良好的局部表征特性和一定的稀疏性,而且能够自动识别有意义的脑电时频特征。本文研究充分利用了2003年国际BCI竞赛的相关公开数据,对脑电信号的事件相关谱扰动时频图和事件相关去同步/同步现象进行了观测和分析,针对单次实验左右手运动想象的三通道脑电数据进行了预处理,包括:通道选择、与运动想象脑电相关的脑电节律的选取及时间-频率范围的确定。由于提取出的特征向量的优劣直接影响着BCI的分类效果,而传统的时频特征提取方法难以完整表达脑电信号中的特征信息。因此,采用小波变换和非负矩阵分解结合的方法,小波变换对存在μ节律和β节律特征频段成分滤波获取EEG数据的时频表示,在对其进行两分量的非负矩阵分解之前,通过对数据向量的能量和稀疏度的计算比较,得到非负矩阵分解精确控制稀疏性的改进算法,显示出更好的时频特征,再通过独立分量分析提取空间特征。这种方法更加完整的表达了脑电信号中的时间、频率和空间特征,为分类识别提供更优的特征向量。本文采用了支持向量机分类方法对提取的特征加以识别,采用遗传算法来确定惩罚因子C和核参数σ的值,实现了参数C和σ的寻优选择,优化了以径向基核函数为模型的SVM分类器的性能。最后,运动想象数据的分类结果与BCI竞赛冠军结果比较有所提高,验证了本文设计方法的可行性及有效性。
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN911.7

【参考文献】

相关期刊论文 前5条

1 张玉洁,王法松,李宏伟;一种新的基于极大似然估计的盲分离算法[J];工程地球物理学报;2004年06期

2 张冬,费向东,李晋,吴舜歆;一种基于空域数据库的多种数据融合算法的设计与实现[J];中国民航飞行学院学报;2003年02期

3 葛瑜;杨钢;;脑机接口系统中EEG信号特征提取与分类[J];微计算机信息;2008年18期

4 郑红军,周旭,毕笃彦;统计学习理论及支持向量机概述[J];现代电子技术;2003年04期

5 胡剑锋;熊建英;何科荣;;应用Neuroscan脑电记录系统评价概念相似汉字与图片加工的事件相关电位差异[J];中国组织工程研究与临床康复;2008年30期

，

本文编号：1335516