針對運動想象腦電信號(EEG)的非線性、非平穩(wěn)特點,該文提出一種結合條件經(jīng)驗模式分解(CEMD)和串并行卷積神經(jīng)網(wǎng)絡(SPCNN)的腦電信號識別方法。在CEMD過程中,采用各階固有模式分量(IMF)與原始信號的相關性系數(shù)作為第1個IMF篩選條件,在此基礎上,提出各階IMF之間的相對能量占有率作為第2個IMF篩選條件。此外,為了考慮腦電信號各個通道之間的特征和突出每個通道內的特征,該文提出SPCNN網(wǎng)絡模型對進行CEMD過程后的腦電信號進行分類。實驗結果表明,在自行采集的腦電數(shù)據(jù)集上平均識別率達到94.58%。在公開數(shù)據(jù)集BCI competition Ⅳ 2b上平均識別率達到82.13%,比卷積神經(jīng)網(wǎng)絡提高了3.85%。最后,在自行設計的智能輪椅腦電控制平臺上進行了輪椅前進、左轉和右轉在線控制實驗,驗證了該文算法對腦電信號識別的有效性。 

【文章來源】：電子與信息學報. 2020年04期 北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

圖1串并行卷積神經(jīng)網(wǎng)絡結構圖

?墓???菁?BCIcompetitionIV2b對作進一步驗證。該數(shù)據(jù)集一共包含了9位受試者的左右手運動想象腦電數(shù)據(jù)，每位受試者分別采集了5次，前2次采集每次包含了120組數(shù)據(jù)，并且是沒有反饋的，后3次的采集每次包含了160組數(shù)據(jù)，并且包含了反饋，即：每位受試者一共采集了720組實驗數(shù)據(jù)。采集過程中，主要是記錄了C3,Cz和C43個通道的腦電信號，采樣頻率是250Hz，對采集的信號進行了0.5～100Hz的帶通濾波以及50Hz的陷波濾波。圖5設定不同的閾值α時識別率情況圖6設定不同的閾值β時識別率情況圖7采用不同處理方法的識別準確率對比第4期唐賢倫等：基于條件經(jīng)驗模式分解和串并行CNN的腦電信號識別1045

作進一步驗證。該數(shù)據(jù)集一共包含了9位受試者的左右手運動想象腦電數(shù)據(jù)，每位受試者分別采集了5次，前2次采集每次包含了120組數(shù)據(jù)，并且是沒有反饋的，后3次的采集每次包含了160組數(shù)據(jù)，并且包含了反饋，即：每位受試者一共采集了720組實驗數(shù)據(jù)。采集過程中，主要是記錄了C3,Cz和C43個通道的腦電信號，采樣頻率是250Hz，對采集的信號進行了0.5～100Hz的帶通濾波以及50Hz的陷波濾波。圖5設定不同的閾值α時識別率情況圖6設定不同的閾值β時識別率情況圖7采用不同處理方法的識別準確率對比第4期唐賢倫等：基于條件經(jīng)驗模式分解和串并行CNN的腦電信號識別1045

【參考文獻】：
期刊論文
[1]基于獨立向量分析的腦電信號中肌電偽跡的去除方法[J]. 陳強,陳勛,余鳳瓊.  電子與信息學報. 2016(11)
[2]基于感興趣腦區(qū)LASSO-Granger因果關系的腦電特征提取算法[J]. 佘青山,陳希豪,高發(fā)榮,羅志增.  電子與信息學報. 2016(05)



本文編號：2915843