基于条件经验模式分解和串并行CNN的脑电信号识别

发布时间：2020-12-14 04:47

　　针对运动想象脑电信号(EEG)的非线性、非平稳特点,该文提出一种结合条件经验模式分解(CEMD)和串并行卷积神经网络(SPCNN)的脑电信号识别方法。在CEMD过程中,采用各阶固有模式分量(IMF)与原始信号的相关性系数作为第1个IMF筛选条件,在此基础上,提出各阶IMF之间的相对能量占有率作为第2个IMF筛选条件。此外,为了考虑脑电信号各个通道之间的特征和突出每个通道内的特征,该文提出SPCNN网络模型对进行CEMD过程后的脑电信号进行分类。实验结果表明,在自行采集的脑电数据集上平均识别率达到94.58%。在公开数据集BCI competition Ⅳ 2b上平均识别率达到82.13%,比卷积神经网络提高了3.85%。最后,在自行设计的智能轮椅脑电控制平台上进行了轮椅前进、左转和右转在线控制实验,验证了该文算法对脑电信号识别的有效性。 

【文章来源】：电子与信息学报. 2020年04期 北大核心

【文章页数】：8 页

【部分图文】：

图1串并行卷积神经网络结构图

?墓???菁?BCIcompetitionIV2b对作进一步验证。该数据集一共包含了9位受试者的左右手运动想象脑电数据，每位受试者分别采集了5次，前2次采集每次包含了120组数据，并且是没有反馈的，后3次的采集每次包含了160组数据，并且包含了反馈，即：每位受试者一共采集了720组实验数据。采集过程中，主要是记录了C3,Cz和C43个通道的脑电信号，采样频率是250Hz，对采集的信号进行了0.5～100Hz的带通滤波以及50Hz的陷波滤波。图5设定不同的阈值α时识别率情况图6设定不同的阈值β时识别率情况图7采用不同处理方法的识别准确率对比第4期唐贤伦等：基于条件经验模式分解和串并行CNN的脑电信号识别1045

作进一步验证。该数据集一共包含了9位受试者的左右手运动想象脑电数据，每位受试者分别采集了5次，前2次采集每次包含了120组数据，并且是没有反馈的，后3次的采集每次包含了160组数据，并且包含了反馈，即：每位受试者一共采集了720组实验数据。采集过程中，主要是记录了C3,Cz和C43个通道的脑电信号，采样频率是250Hz，对采集的信号进行了0.5～100Hz的带通滤波以及50Hz的陷波滤波。图5设定不同的阈值α时识别率情况图6设定不同的阈值β时识别率情况图7采用不同处理方法的识别准确率对比第4期唐贤伦等：基于条件经验模式分解和串并行CNN的脑电信号识别1045

【参考文献】：
期刊论文
[1]基于独立向量分析的脑电信号中肌电伪迹的去除方法[J]. 陈强,陈勋,余凤琼.  电子与信息学报. 2016(11)
[2]基于感兴趣脑区LASSO-Granger因果关系的脑电特征提取算法[J]. 佘青山,陈希豪,高发荣,罗志增.  电子与信息学报. 2016(05)



本文编号：2915843