基于CSP变换的新特征提取方法研究

发布时间：2021-10-26 04:43

　　共空域模式（CSP）是一种十分常用的运动想象脑电信号特征提取方法。传统的CSP特征提取方法,先进行CSP变换,然后提取对数方差作为特征。然而,对数方差不一定是最佳的特征提取方法,为了研究基于CSP变换的最佳特征提取方法,在CSP变换的基础上提出新的特征提取方法。首先,对原始运动想象脑电信号进行预处理,然后进行CSP变换。其次,提取对数方差、自回归（AR）系数、带通功率和小波能量以及融合特征作为特征。最后,选用Fisher线性判别分析（FLDA）、最小绝对值收缩和选择算子（LASSO）、融合LASSO和弹性网络共4种分类方法对5种特征进行分类。使用一个公开的脑机接口（BCI）竞赛数据集进行实验。实验结果表明,在新的特征提取方法中,AR系数特征无论使用哪种分类方法都取得了最佳的分类效果,优于传统的CSP特征提取方法,可进一步提高BCI系统的性能。 

【文章来源】：桂林航天工业学院学报. 2020,25(03)

【文章页数】：6 页

【部分图文】：

整体流程图

在使用AR系数作为特征时,AR系数的阶数选择对最终的分类结果影响比较大。因此,我们通过实验选择AR系数特征的最优阶数。图2给出了使用AR系数作为特征时,采用FLDA等4种分类方法得到的整个数据集平均分类准确率随AR阶数(1至20阶)的变化曲线。从图2中可以明显地看出,对于4种分类器,平均分类准确率均在阶数为4左右时,达到最高值。其中,FLDA、LASSO和fused LASSO分类器在4阶时,分类准确率最高;EN在3阶时,分类准确率最高。总平均分类准确率先随着阶数的增加而增加,在阶数为4时达到峰值,之后随着阶数的增加准确率连续下降。通过图2我们可以看出,当使用AR系数作为特征时,AR阶数为4时,效果最佳。因此,在本文的后续实验中,AR阶数选择为4。为了准确地比较各种特征提取方法的分类效果,表1-4分别展示了在不同分类方法下每个被试对应不同特征提取方法得到的分类准确率。表中准确率最高的数据用黑体加粗标注。

为了更加直观地查看不同特征提取方法使用不同分类器所取得的分类效果,图3给出了不同特征提取方法使用不同分类器的情况下取得的平均类准确率。图3中可以清晰地看到AR系数特征效果最佳,其次是对数方差和融合特征。带通功率特征提取方法的分类效果最差,且在不同分类方法的分类结果中差异较大。3 讨论

【参考文献】：
期刊论文
[1]基于多特征融合的运动想象脑电信号识别研究[J]. 姜月,邹任玲.  中国医学物理学杂志. 2019(05)
[2]基于改进CSP算法的运动想象脑电信号分类方法[J]. 马满振,郭理彬,苏奎峰.  计算机与现代化. 2017(11)

硕士论文
[1]基于AR模型的脑电信号特征提取与识别[D]. 邹清.中南大学 2008



本文编号：3458853