一种基于PSO-CSP-SVM的运动想象脑电信号特征提取及分类算法
发布时间：2022-01-12 15:07
针对因脑电信号存在个体差异性而造成多类运动想象脑电信号特征提取困难和识别正确率较低的问题,提出一种基于PSO-CSP-SVM的运动想象脑电信号特征提取及分类算法。首先,利用粒子群优化（PSO）算法优化得到不同个体脑电信号的最佳时间段和频段;然后,基于优化时频段的脑电信号,利用"一对多"共空间模式（OVR-CSP）算法进行特征提取,将特征向量输入到"一对一"支持向量机（OVOSVM）中实现分类,并且将分类错误率作为PSO算法的适应度函数值;最后,采用BCI2005descⅢa数据集验证该算法的分类效果。研究结果表明:相比基于固定时频段脑电信号得到的分类结果以及其他文献中算法的分类结果,该算法的平均分类准确率有较大提高,达87.65%,证明该算法能够有效提取脑电特征,并且具有较好的运动想象脑电信号识别效果。
【文章来源】：中南大学学报(自然科学版). 2020,51(10)北大核心EICSCD
【文章页数】：12 页
【部分图文】：
PSOCSPSVM算法的整体结构框图Fig.2OverallstructurediagramofPSOCSPSVMalgorithm
8～26Hz的beta节律。但是不同类别运动想象脑电信号的ERD/ERS现象会出现在不同的频段，例如想象手运动时的ERD现象主要出现在10～12Hz和20～24Hz，想象脚运动时的ERD现象经常出现在7～8Hz和20～24Hz，想象舌运动时的ERS现象主要出现在10～11Hz[15]。因此，ERD/ERS现象的空间特性和频段特性为多类运动想象的分类提供了理论依据。2基于PSO的改进CSP运动想象脑电信号特征提取与分类方法为解决脑电信号的个体差异性问题，以获得(a)电极位置左侧图；(b)电极位置顶面图图11020标准电极导联定位分布图Fig.1Schematicdiagramof1020standardelectrodeleadpositioningmethod2857
蟮牡??问??3实验结果分析3.1实验条件与数据来源基于PSOCSPSVM的运动想象脑电信号特征提取及分类算法的实验仿真条件为：CPU,Intel(R)Core(TM)i55200U(2.20GHz)；RAM,8.0GB，Windows10，MATLABR2017b。本文采用BCI2005desc_Ⅲa数据集，该数据集包括k3b，k6b和l1b33名受试者的4类运动想象(左手、右手、舌和脚)脑电信号。数据用64导Neuroscan脑电放大器采集获得，采样频率为250Hz，并对数据进行了1～50Hz的滤波处理。实验过程如图4所示。从图4可见：前2s，受试者处于安静状态；在第2s时，计算机发出提示音且屏幕上出现“+”，提示受试者运动想象即将开始；自第3s开始，计算机屏幕出现向左、向右、向上或向下的箭头1s，要求受试者根据箭头方向分别进行左手、右手、舌和脚的运动想象，一直到第7s结束[19]。其中受试者k3b的4类运动想象各采集90组，共360组；受试者k6b和l1b的4类运动想象各采集60组，共240组。将每名受试者运动想象样本集的一半作为训练集，另一半作为测试集。为了分析在进行运动想象任务时出现的ERD/ERS特征，本文采用功率谱分析法对脑电信号进行处理。功率谱分析法可以将幅值随时间变化的脑电数据变为脑电功率随频率变化，从而可检测到不同运动想象任务引发的不同ERD/ERS现象。以k3b受试者的左、右手运动想象数据为例，分析其出现ERD/ERS现象的空间特性和频段特性，其左、右手运动想象与休息状态时的脑电数据在导联C3和C4上的功率谱密度图如图5所示。从图5可以看出：在进行左、右手运动想象任务时，在脑区对侧会出现
【参考文献】：
期刊论文
[1]基于多类运动想象任务的EEG信号分类研究[J]. 马满振,郭理彬,苏奎峰. 计算机测量与控制. 2017(10)
[2]基于ERS/ERD的二级共空间模式的运动想象脑电信号特征提取[J]. 尚允坤,段锁林,潘礼正. 计算机工程与科学. 2017(07)
[3]基于支持向量机的脑电信号分类方法研究[J]. 庄玮,段锁林,徐亭婷,赵以钢. 科学技术与工程. 2014(09)
[4]四类运动想象脑电信号特征提取与分类算法[J]. 施锦河,沈继忠,王攀. 浙江大学学报(工学版). 2012(02)
[5]基于改进CSP算法的运动想象脑电信号识别方法[J]. 李明爱,刘净瑜,郝冬梅. 中国生物医学工程学报. 2009(02)
[6]基于小波包变换和聚类分析的脑电信号识别方法[J]. 徐宝国,宋爱国. 仪器仪表学报. 2009(01)
博士论文
[1]粒子群优化算法及差分进行算法研究[D]. 张庆科.山东大学 2017
[2]基于运动想象的脑机接口的研究[D]. 周鹏.天津大学 2007
硕士论文
[1]基于时间段和频带联合选择的多类运动想象脑—机接口分类算法研究[D]. 韩仁香.南昌大学 2013
[2]基于运动想象的脑电信号特征提取及分类算法研究[D]. 李丽君.华南理工大学 2012
本文编号：3584987
【文章来源】：中南大学学报(自然科学版). 2020,51(10)北大核心EICSCD
【文章页数】：12 页
【部分图文】：
PSOCSPSVM算法的整体结构框图Fig.2OverallstructurediagramofPSOCSPSVMalgorithm
8～26Hz的beta节律。但是不同类别运动想象脑电信号的ERD/ERS现象会出现在不同的频段，例如想象手运动时的ERD现象主要出现在10～12Hz和20～24Hz，想象脚运动时的ERD现象经常出现在7～8Hz和20～24Hz，想象舌运动时的ERS现象主要出现在10～11Hz[15]。因此，ERD/ERS现象的空间特性和频段特性为多类运动想象的分类提供了理论依据。2基于PSO的改进CSP运动想象脑电信号特征提取与分类方法为解决脑电信号的个体差异性问题，以获得(a)电极位置左侧图；(b)电极位置顶面图图11020标准电极导联定位分布图Fig.1Schematicdiagramof1020standardelectrodeleadpositioningmethod2857
蟮牡??问??3实验结果分析3.1实验条件与数据来源基于PSOCSPSVM的运动想象脑电信号特征提取及分类算法的实验仿真条件为：CPU,Intel(R)Core(TM)i55200U(2.20GHz)；RAM,8.0GB，Windows10，MATLABR2017b。本文采用BCI2005desc_Ⅲa数据集，该数据集包括k3b，k6b和l1b33名受试者的4类运动想象(左手、右手、舌和脚)脑电信号。数据用64导Neuroscan脑电放大器采集获得，采样频率为250Hz，并对数据进行了1～50Hz的滤波处理。实验过程如图4所示。从图4可见：前2s，受试者处于安静状态；在第2s时，计算机发出提示音且屏幕上出现“+”，提示受试者运动想象即将开始；自第3s开始，计算机屏幕出现向左、向右、向上或向下的箭头1s，要求受试者根据箭头方向分别进行左手、右手、舌和脚的运动想象，一直到第7s结束[19]。其中受试者k3b的4类运动想象各采集90组，共360组；受试者k6b和l1b的4类运动想象各采集60组，共240组。将每名受试者运动想象样本集的一半作为训练集，另一半作为测试集。为了分析在进行运动想象任务时出现的ERD/ERS特征，本文采用功率谱分析法对脑电信号进行处理。功率谱分析法可以将幅值随时间变化的脑电数据变为脑电功率随频率变化，从而可检测到不同运动想象任务引发的不同ERD/ERS现象。以k3b受试者的左、右手运动想象数据为例，分析其出现ERD/ERS现象的空间特性和频段特性，其左、右手运动想象与休息状态时的脑电数据在导联C3和C4上的功率谱密度图如图5所示。从图5可以看出：在进行左、右手运动想象任务时，在脑区对侧会出现
【参考文献】：
期刊论文
[1]基于多类运动想象任务的EEG信号分类研究[J]. 马满振,郭理彬,苏奎峰. 计算机测量与控制. 2017(10)
[2]基于ERS/ERD的二级共空间模式的运动想象脑电信号特征提取[J]. 尚允坤,段锁林,潘礼正. 计算机工程与科学. 2017(07)
[3]基于支持向量机的脑电信号分类方法研究[J]. 庄玮,段锁林,徐亭婷,赵以钢. 科学技术与工程. 2014(09)
[4]四类运动想象脑电信号特征提取与分类算法[J]. 施锦河,沈继忠,王攀. 浙江大学学报(工学版). 2012(02)
[5]基于改进CSP算法的运动想象脑电信号识别方法[J]. 李明爱,刘净瑜,郝冬梅. 中国生物医学工程学报. 2009(02)
[6]基于小波包变换和聚类分析的脑电信号识别方法[J]. 徐宝国,宋爱国. 仪器仪表学报. 2009(01)
博士论文
[1]粒子群优化算法及差分进行算法研究[D]. 张庆科.山东大学 2017
[2]基于运动想象的脑机接口的研究[D]. 周鹏.天津大学 2007
硕士论文
[1]基于时间段和频带联合选择的多类运动想象脑—机接口分类算法研究[D]. 韩仁香.南昌大学 2013
[2]基于运动想象的脑电信号特征提取及分类算法研究[D]. 李丽君.华南理工大学 2012
本文编号：3584987
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3584987.html
