基于经验模态分解和SVM的脑电信号分类方法
发布时间：2021-07-30 07:43
脑电信号的非线性、非平稳性造成对运动想象脑电信号的分类识别存在特征提取困难、可区分性低以及分类识别性能差等问题;文章提出一种基于经验模态分解（empirical mode decomposition,EMD）和支撑向量机（support vector machine,SVM）的运动想象脑电信号分类方法,充分利用EMD算法在处理非线性、非平稳信号的自适应性以及SVM在小样本条件的高识别性能和强泛化能力;首先利用EMD算法将C3、C4导联信号分解为一系列本征模函数（intrinsic mode function,IMF）,然后从IMF的信息和能量等维度提取特征将脑电信号转换至区分性更强的特征域,最后利用SVM进行分类识别;采用国际BCI竞赛2003中的Graz数据进行验证,所提方法可以得到94.6%的正确识别率,为在线脑-机接口系统的研究提供了新的思路。
【文章来源】：计算机测量与控制. 2020,28(01)
【文章页数】：6 页
【部分图文】：
实验过程中的时序
利用EMD算法对C3通道和C4通道的EEG信号进行分解，得到的结果如图2和图3所示，其中图2(a）和图3(a）为想象左手运动得到的EEG信号分解结果，图2(b）和图3(b）为想象右手运动得到的EEG信号分解结果，经过EMD分解后原始EEG信号被分解为4个IMF和一个余项。从图2和图3可以看出，在对想象左手运动和想象右手运动EEG信号进行EMD分解后，IMF2和IMF3两个分量存在明显的区别，表2给出了分解得到的每个IMF信号分量的频段范围。根据奥地利Graz研究中心研究，当大脑进行运动想象时，位于头皮层左右两侧EEG信号的α节律（8～12Hz）和β节律（18～26Hz）的能量会发生相应的变化，这种电生理现象称为时间相关去同步（event-related desynchronization,ERD）或时间相关同步（event-related synchronization,ERS),ERD和ERS是最能反映认知特性和最具生理意义的特征指标之一。而从表2可以看出，EEG信号的α节律（8～12Hz）和β节律（18～26Hz）的频率范围刚好处于IMF2和IMF3，也就是说，经过EMD分解后最能反映运动想象节律特征的信息被自适应的分解到IMF2和IMF3两个本征模函数中。因此，本文选择IMF2和IMF3进行进一步分析并提取特征对两种运动想象脑电信号进行分类。图3 EEG信号EMD分解结果（C4通道）
EEG信号EMD分解结果（C4通道）
【参考文献】：
期刊论文
[1]多类运动想象脑电信号特征提取与分类[J]. 段锁林,尚允坤,潘礼正. 计算机测量与控制. 2016(02)
[2]在线脑机接口中脑电信号的特征提取与分类方法[J]. 徐宝国,宋爱国,费树岷. 电子学报. 2011(05)
[3]采用小波熵和频带能量提取脑电信号特征[J]. 王宏,赵海滨,刘冲. 吉林大学学报(工学版). 2011(03)
[4]基于小波包熵和支持向量机的运动想象任务分类研究[J]. 王艳景,乔晓艳,李鹏,李刚. 仪器仪表学报. 2010(12)
[5]利用相对小波能量和概率网络的脑-机接口[J]. 赵海滨,王宏. 计算机工程与应用. 2009(05)
[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)
本文编号：3311007
【文章来源】：计算机测量与控制. 2020,28(01)
【文章页数】：6 页
【部分图文】：
实验过程中的时序
利用EMD算法对C3通道和C4通道的EEG信号进行分解，得到的结果如图2和图3所示，其中图2(a）和图3(a）为想象左手运动得到的EEG信号分解结果，图2(b）和图3(b）为想象右手运动得到的EEG信号分解结果，经过EMD分解后原始EEG信号被分解为4个IMF和一个余项。从图2和图3可以看出，在对想象左手运动和想象右手运动EEG信号进行EMD分解后，IMF2和IMF3两个分量存在明显的区别，表2给出了分解得到的每个IMF信号分量的频段范围。根据奥地利Graz研究中心研究，当大脑进行运动想象时，位于头皮层左右两侧EEG信号的α节律（8～12Hz）和β节律（18～26Hz）的能量会发生相应的变化，这种电生理现象称为时间相关去同步（event-related desynchronization,ERD）或时间相关同步（event-related synchronization,ERS),ERD和ERS是最能反映认知特性和最具生理意义的特征指标之一。而从表2可以看出，EEG信号的α节律（8～12Hz）和β节律（18～26Hz）的频率范围刚好处于IMF2和IMF3，也就是说，经过EMD分解后最能反映运动想象节律特征的信息被自适应的分解到IMF2和IMF3两个本征模函数中。因此，本文选择IMF2和IMF3进行进一步分析并提取特征对两种运动想象脑电信号进行分类。图3 EEG信号EMD分解结果（C4通道）
EEG信号EMD分解结果（C4通道）
【参考文献】：
期刊论文
[1]多类运动想象脑电信号特征提取与分类[J]. 段锁林,尚允坤,潘礼正. 计算机测量与控制. 2016(02)
[2]在线脑机接口中脑电信号的特征提取与分类方法[J]. 徐宝国,宋爱国,费树岷. 电子学报. 2011(05)
[3]采用小波熵和频带能量提取脑电信号特征[J]. 王宏,赵海滨,刘冲. 吉林大学学报(工学版). 2011(03)
[4]基于小波包熵和支持向量机的运动想象任务分类研究[J]. 王艳景,乔晓艳,李鹏,李刚. 仪器仪表学报. 2010(12)
[5]利用相对小波能量和概率网络的脑-机接口[J]. 赵海滨,王宏. 计算机工程与应用. 2009(05)
[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)
本文编号：3311007
本文链接：https://www.wllwen.com/yixuelunwen/swyx/3311007.html
