基于多元变分模态分解的脑电多域特征提取方法

发布时间：2021-04-12 18:49

　　为提高运动想象脑电信号特征的区分性,提出一种基于多元变分模态分解（MVMD）的多域特征结合脑电特征提取方法。首先利用MVMD对原始脑电多通道数据进行自适应分解,然后从分解得到的固有模态函数（IMF）分量提取信号的时域特征以及非线性动力学特征,同时将IMF分量合并构造新的信号矩阵,并采用共空间模式（CSP）法对重构信号提取空间特征,进行时域、非线性动力学以及空域特征的结合,最后通过支持向量机（SVM）对此特征集分类。所提方法在BCI Competition II Dataset III数据集上达到了89.64%的分类准确率,与现有的方法比较,验证了所提方法的有效性。 

【文章来源】：传感技术学报. 2020,33(06)北大核心CSCD

【文章页数】：8 页

【部分图文】：

特征提取过程

本文采用BCI Competition Ⅱ Dataset Ⅲ数据集[18]对所提出的特征提取方法进行验证。该实验数据记录了一个25岁正常女性做的运动想象信号,包含7组实验,每组40次,一共280次,其中140个为训练数据,140个为测试数据,这些实验分为两类:想象左手和想象右手。实验记录C3、C4、Cz通道的脑电数据,采样频率为128 Hz,带通滤波为0.5 Hz～30 Hz。每次实验持续时间为9 s,其中0～2 s为准备状态,并在第2 s时在屏幕上显示一个十字架,显示1 s后结束,从第3 s开始屏幕中箭头(向左或向右)提示实验者运动想象,并在第9 s结束。本文对C3和C4两个通道的脑电信号进行分析。单次实验中信号采集过程如下。图3 原始数据波形图及频谱图

原始数据波形图及频谱图

【参考文献】：
期刊论文
[1]多特征融合的运动想象脑电特征提取方法[J]. 罗飞,刘鹏飞,罗元,朱思蒙.  计算机应用. 2020(02)
[2]基于总体经验模态分解的多类特征的运动想象脑电识别方法研究[J]. 杨默涵,陈万忠,李明阳.  自动化学报. 2017(05)
[3]基于左右手运动想象单通道脑电信号的预处理研究[J]. 李松,伏云发,杨秋红,刘传伟,孙会文.  生物医学工程学杂志. 2016(05)
[4]基于NA-MEMD和互信息的脑电特征提取方法[J]. 韩笑,佘青山,高云园,罗志增.  传感技术学报. 2016(08)
[5]基于粒子群优化-支持向量机方法的下肢肌电信号步态识别[J]. 高发荣,王佳佳,席旭刚,佘青山,罗志增.  电子与信息学报. 2015(05)
[6]基于HHT和CSSD的多域融合自适应脑电特征提取方法[J]. 李明爱,崔燕,杨金福,郝冬梅.  电子学报. 2013(12)
[7]基于邻接矩阵分解的脑电特征提取与分类方法[J]. 佘青山,昌凤玲,范影乐,罗志增.  传感技术学报. 2012(09)

硕士论文
[1]基于变分模态分解的机车轴承故障诊断[D]. 魏勇召.北京交通大学 2018



本文编号：3133797