發(fā)布時間：2018-04-04 09:54

  本文選題：腦電圖　切入點(diǎn)：特征提取　出處：《生物醫(yī)學(xué)工程學(xué)雜志》2014年05期

【摘要】：腦機(jī)接口(BCI)是在人或動物腦與外部設(shè)備間建立的直接連接通路,信號分析功能模塊是其核心部分,其中特征提取算法的效果如何是腦電圖(EEG)信號分析算法的關(guān)鍵。EEG信號本身信噪比低,傳統(tǒng)的EEG特征提取方法存在著缺少空間信息,需要的特征量個數(shù)較多,分類正確率低等不足。針對以上問題,本文提出了一種基于小波和獨(dú)立分量分析(ICA)的時間-頻率-空間EEG特征的提取方法,分別用離散小波變換(DWT)和ICA提取時頻域特征和空域特征。并用支持向量機(jī)(SVM)和遺傳算法(GA)相結(jié)合的方法對提取的特征進(jìn)行分類。實驗對比結(jié)果表明,所提出的方法有效地克服了傳統(tǒng)的時頻特征提取方法空間信息描述不足等問題,對于2003年BCI競賽數(shù)據(jù)datasetⅢ分析,最高分類正確率為90.71%。
[Abstract]:BCI (Brain-Computer Interface) is a direct connection between human or animal brain and external equipment, and the signal analysis function module is the core part of it.The effect of feature extraction algorithm is the key of EEG signal analysis algorithm. The signal-to-noise ratio of EEG signal itself is low. The traditional EEG feature extraction method has a lack of spatial information and needs a large number of features.The classification accuracy is low.Support vector machine (SVM) and genetic algorithm (GA) are used to classify the extracted features.The experimental results show that the proposed method can effectively overcome the shortcomings of spatial information description in the traditional time-frequency feature extraction method. For the dataset 鈪，

本文編號：1709444