共空域模式（CSP）是一種十分常用的運(yùn)動(dòng)想象腦電信號(hào)特征提取方法。傳統(tǒng)的CSP特征提取方法,先進(jìn)行CSP變換,然后提取對(duì)數(shù)方差作為特征。然而,對(duì)數(shù)方差不一定是最佳的特征提取方法,為了研究基于CSP變換的最佳特征提取方法,在CSP變換的基礎(chǔ)上提出新的特征提取方法。首先,對(duì)原始運(yùn)動(dòng)想象腦電信號(hào)進(jìn)行預(yù)處理,然后進(jìn)行CSP變換。其次,提取對(duì)數(shù)方差、自回歸（AR）系數(shù)、帶通功率和小波能量以及融合特征作為特征。最后,選用Fisher線性判別分析（FLDA）、最小絕對(duì)值收縮和選擇算子（LASSO）、融合LASSO和彈性網(wǎng)絡(luò)共4種分類方法對(duì)5種特征進(jìn)行分類。使用一個(gè)公開(kāi)的腦機(jī)接口（BCI）競(jìng)賽數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,在新的特征提取方法中,AR系數(shù)特征無(wú)論使用哪種分類方法都取得了最佳的分類效果,優(yōu)于傳統(tǒng)的CSP特征提取方法,可進(jìn)一步提高BCI系統(tǒng)的性能。 

【文章來(lái)源】：桂林航天工業(yè)學(xué)院學(xué)報(bào). 2020,25(03)

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

整體流程圖

在使用AR系數(shù)作為特征時(shí),AR系數(shù)的階數(shù)選擇對(duì)最終的分類結(jié)果影響比較大。因此,我們通過(guò)實(shí)驗(yàn)選擇AR系數(shù)特征的最優(yōu)階數(shù)。圖2給出了使用AR系數(shù)作為特征時(shí),采用FLDA等4種分類方法得到的整個(gè)數(shù)據(jù)集平均分類準(zhǔn)確率隨AR階數(shù)(1至20階)的變化曲線。從圖2中可以明顯地看出,對(duì)于4種分類器,平均分類準(zhǔn)確率均在階數(shù)為4左右時(shí),達(dá)到最高值。其中,FLDA、LASSO和fused LASSO分類器在4階時(shí),分類準(zhǔn)確率最高;EN在3階時(shí),分類準(zhǔn)確率最高�？偲骄诸悳�(zhǔn)確率先隨著階數(shù)的增加而增加,在階數(shù)為4時(shí)達(dá)到峰值,之后隨著階數(shù)的增加準(zhǔn)確率連續(xù)下降。通過(guò)圖2我們可以看出,當(dāng)使用AR系數(shù)作為特征時(shí),AR階數(shù)為4時(shí),效果最佳。因此,在本文的后續(xù)實(shí)驗(yàn)中,AR階數(shù)選擇為4。為了準(zhǔn)確地比較各種特征提取方法的分類效果,表1-4分別展示了在不同分類方法下每個(gè)被試對(duì)應(yīng)不同特征提取方法得到的分類準(zhǔn)確率。表中準(zhǔn)確率最高的數(shù)據(jù)用黑體加粗標(biāo)注。

為了更加直觀地查看不同特征提取方法使用不同分類器所取得的分類效果,圖3給出了不同特征提取方法使用不同分類器的情況下取得的平均類準(zhǔn)確率。圖3中可以清晰地看到AR系數(shù)特征效果最佳,其次是對(duì)數(shù)方差和融合特征。帶通功率特征提取方法的分類效果最差,且在不同分類方法的分類結(jié)果中差異較大。3 討論

【參考文獻(xiàn)】：
期刊論文
[1]基于多特征融合的運(yùn)動(dòng)想象腦電信號(hào)識(shí)別研究[J]. 姜月,鄒任玲.  中國(guó)醫(yī)學(xué)物理學(xué)雜志. 2019(05)
[2]基于改進(jìn)CSP算法的運(yùn)動(dòng)想象腦電信號(hào)分類方法[J]. 馬滿振,郭理彬,蘇奎峰.  計(jì)算機(jī)與現(xiàn)代化. 2017(11)

碩士論文
[1]基于AR模型的腦電信號(hào)特征提取與識(shí)別[D]. 鄒清.中南大學(xué) 2008



本文編號(hào)：3458853