最优区域共空间模式的运动想象脑电信号分类方法

发布时间：2024-03-10 15:26

　　共空间模式(Common Spatial Pattern,CSP)是脑机接口(Brain-Computer Interface,BCI)中一种有效的特征提取方法,然而传统CSP算法并未考虑在提取前剔除可能会影响其性能的不相关的嘈杂通道信号。所以针对不同对象的通道选择问题,提出了一种最优区域共空间模式(ORCSP)特征提取方法。首先通过欧式距离得到每个通道的附近区域,再根据方差比选择可分性最高的区域,然后采用5折交叉验证对区域内通道数目进行寻优,进而得到区分度最高的区域特征,最后使用支持向量机(SVM)进行分类。所提方法在BCI竞赛数据上进行了实验测试,并与同类型的正则化CSP和局部区域CSP算法进行了对比,在BCI CompetitionⅢDatasetⅣa数据集上达到了89.78%的平均准确率。实验结果验证了所提出方法的有效性。

【文章页数】：6 页

【部分图文】：

图1ORCSP算法流程图

多通道EEG信号中许多通道存在大量冗余信息,通道的选择对于EEG信号的分类精度有很大的影响,所以尽可能选择那些使两类信号差异较大的通道。对于如何确定区分度较大的通道,考虑若干个通道组成的区域的可分性:由于运动想象中两类任务在特定区域的差异性明显,但不同对象在运动想象时活跃区域并不....

图2受试者A1上两种算法的空间滤波及通道权重

图2和图3分别为受试者A1和A5两种算法得到的空间滤波和各通道的权重示例,图中圆点为通道位置,ORCSP仅标出了选择区域内通道位置。由图2所示,传统的CSP滤波器显示比较混乱,从神经生理学角度来看在某些并不期望的位置加权。相反,ORCSP滤波器选择区域中的通道在两类任务中显示出明....

图3受试者A5上两种算法的空间滤波及通道权重

图2受试者A1上两种算法的空间滤波及通道权重很明显,区域内通道个数也是影响算法性能的重要因素,且每个对象的最优区域内通道数目也都不相同,图4为受试者A1和A5区域内通道个数n对分类性能的影响。由图4可以看出当通道较少时准确率都较低,方差不够明显。当n增大时,准确率随之上升到最大....

图4不同参数n下受试者A1和A5的测试准确率变化

通道较多的数据可以使区域划分更为细密,有利于找出差异较大的区域。为了进一步验证本算法的适用性,本文也在通道较少的BCICompetitionⅣDatasetⅡa数据集上进行了实验,表2为该数据集上四种算法取得的准确率。从表2中可以看到本文算法除了C5和C6两个受试者,其他....

本文编号：3925004