运动想象脑电信号特征提取与分类算法研究

发布时间：2018-01-12 05:13

本文关键词：运动想象脑电信号特征提取与分类算法研究　出处：《计算机工程与应用》2017年16期 　论文类型：期刊论文

【摘要】：针对运动想象脑电信号特征提取困难,分类正确率低的问题,提出了利用小波熵进行特征提取并采用支持向量机(SVM)来分类的算法。计算运动想象脑电信号的功率,通过理论分析选择小波包尺度,对信号功率进行小波包分解并计算其小波包熵(WPE),提取C3、C4导联的小波包熵插值组成特征向量,将特征向量作为分类器的输入送入支持向量机进行分类。采用国际BCI竞赛2003中的Graz数据进行验证,算法的最高分类正确率达97.56%。算法特征向量维数低、数据量小、分类正确率高,对运动想象脑电信号特征提取及分类的任务可以提供参考方法。
[Abstract]:Aiming at the difficulty of feature extraction of motion imaginary EEG signals and the low classification accuracy. In this paper, wavelet entropy is used for feature extraction and support vector machine (SVM) is used for classification. The power of motion imaginary EEG signal is calculated, and wavelet packet scale is selected by theoretical analysis. The signal power is decomposed by wavelet packet and its wavelet packet entropy is calculated. The wavelet packet entropy interpolation of C3C4 leads is extracted to form the eigenvector. The feature vector is fed into support vector machine as the input of classifier, and the Graz data of international BCI contest 2003 are used to verify the classification. The maximum classification accuracy of the algorithm is 97.56. The feature vector dimension of the algorithm is low, the amount of data is small, and the classification accuracy is high. It can provide a reference method for the task of feature extraction and classification of motion imagination EEG signals.
【作者单位】：装甲兵工程学院控制工程系;
【分类号】：R318;TN911.7
【正文快照】： 1引言近年来,随着生物工程、计算机科学,人工智能研究的不断深入,催生了以脑机接口为代表的新兴技术迅速发展。脑机接口(Brain Computer Interface,BCI)是建立一种大脑与计算机或其他装置联系的技术,该联系可以不通过通常的大脑输出通路(大脑的外周神经和肌肉组织)[1-3]。脑机

【参考文献】

相关期刊论文前10条

1 关伟;杨柳;江世雄;张文义;;脑电在交通驾驶行为中的应用研究综述[J];交通运输系统工程与信息;2016年03期

2 于路;薄华;;基于改进EMD的运动想象脑电信号识别算法研究[J];微型机与应用;2016年09期

3 段锁林;尚允坤;潘礼正;;多类运动想象脑电信号特征提取与分类[J];计算机测量与控制;2016年02期

4 韩敏;孙卓然;;基于小波变换和AdaBoost极限学习机的癫痫脑电信号分类[J];计算机应用;2015年09期

5 邢丽超;;脑-机接口的研究现状[J];科技创新与应用;2015年06期

6 王斐;张育中;宁廷会;闻时光;;脑-机接口研究进展[J];智能系统学报;2011年03期

7 王艳景;乔晓艳;李鹏;李刚;;基于小波包熵和支持向量机的运动想象任务分类研究[J];仪器仪表学报;2010年12期

8 王金甲;周丽娜;赵玉超;;基于MEG的脑机接口特征提取方法研究[J];仪器仪表学报;2010年07期

9 徐宝国;宋爱国;;基于小波包变换和聚类分析的脑电信号识别方法[J];仪器仪表学报;2009年01期

10 李波;刘杨;周宗潭;;嵌入式脑机接口系统的软件设计与实现[J];计算机仿真;2007年07期

【共引文献】

相关期刊论文前10条

1 刘方毅;李方博;;脑——机接口系统组成概述[J];电子世界;2017年21期

2 吴林彦;鲁昊;高诺;王涛;;基于CSP算法与小波包分析方法的运动想象脑电信号特征提取性能的比较[J];生物医学工程研究;2017年03期

3 刘超;林晓焕;廖文;高莹;;基于小波变换与ICA结合的EP信号提取研究[J];国外电子测量技术;2017年09期

4 王鹏翔;张兆基;;小波变换下的脑电信号癫痫特征波识别算法研究[J];信息与电脑(理论版);2017年17期

5 马也;常天庆;郭理彬;;运动想象脑电信号特征提取与分类算法研究[J];计算机工程与应用;2017年16期

6 叶志雄;罗锦宏;糜超;邹凌;;16通道脑电采集系统设计与实现[J];电子技术应用;2017年08期

7 蔡淼;胡萍;;基于小波包变换的右手和脚运动想象任务分类[J];中国医疗器械杂志;2017年03期

8 马也;姜光萍;;P300脑电信号的特征提取及分类研究[J];山东工业技术;2017年10期

9 高明信;;运动疲劳过程中脑电信号特征提取仿真[J];计算机仿真;2017年05期

10 张震;程伟伟;吴磊;张斌;;基于不变矩和SVM的圆形交通标志识别方法研究[J];电子测量与仪器学报;2017年05期

【二级参考文献】

相关期刊论文前10条

1 张新静;徐欣;凌至培;黄永志;王心醉;王守岩;;基于最大相关和最小冗余准则及极限学习机的癫痫发作检测方法[J];计算机应用;2014年12期

2 姚文坡;刘铁兵;戴加飞;王俊;;脑电信号的多尺度排列熵分析[J];物理学报;2014年07期

3 庄玮;段锁林;徐亭婷;;基于SVM的4类运动想象的脑电信号分类方法[J];常州大学学报(自然科学版);2014年01期

4 王行愚;金晶;张宇;王蓓;;脑控:基于脑-机接口的人机融合控制[J];自动化学报;2013年03期

5 曹莹;苗启广;刘家辰;高琳;;AdaBoost算法研究进展与展望[J];自动化学报;2013年06期

6 余炜;韩强;马晶晶;谢培;;基于EMD和SVM的脑电信号处理方法[J];昆明理工大学学报(自然科学版);2012年06期

7 杨帮华;陆文宇;何美燕;刘丽;;脑机接口中基于WPD和CSP的特征提取[J];仪器仪表学报;2012年11期

8 刘冲;颜世玉;赵海滨;王宏;;多类运动想象任务脑电信号的KNN分类研究[J];仪器仪表学报;2012年08期

9 王新迎;韩敏;;基于极端学习机的多变量混沌时间序列预测[J];物理学报;2012年08期

10 施锦河;沈继忠;王攀;;四类运动想象脑电信号特征提取与分类算法[J];浙江大学学报(工学版);2012年02期

【相似文献】

相关期刊论文前10条

1 鲁强;刘玉军;徐建兰;张进禄;;一种适用于清醒动物脑电信号采集的固定装置[J];首都医科大学学报;2011年06期

2 孟欣，，欧阳楷;脑电信号的几个非线性动力学分析方法[J];北京生物医学工程;1997年03期

3 吴小培,冯焕清,周荷琴,王涛;独立分量分析及其在脑电信号预处理中的应用[J];北京生物医学工程;2001年01期

4 李英远,周卫东;径向基函数神经网络在脑电信号建模中的应用[J];山东生物医学工程;2002年02期

5 刘大路,江朝晖,冯焕清,王聪;基于脑电信号时空分布信息的思维特征研究[J];北京生物医学工程;2004年02期

6 许崇涛,沈民奋,李慧,朱国平;双谱分析方法在脑电信号分析中的应用[J];中国行为医学科学;2004年03期

7 李谷;范影乐;庞全;;基于排列组合熵的脑电信号睡眠分期研究[J];生物医学工程学杂志;2009年04期

8 刘国松;周佳音;;脑电信号的计算机频谱分析[J];生物化学与生物物理进展;1985年03期

9 马彦斌，吴祈耀;维格纳分布在脑电信号处理中的应用[J];北京理工大学学报;1995年02期

10 吴祈耀，吴祈宗;脑电信号的现代谱分析技术[J];北京理工大学学报;1995年02期