共空域模式（CSP）是一種十分常用的運動想象腦電信號特征提取方法。傳統(tǒng)的CSP特征提取方法,先進行CSP變換,然后提取對數(shù)方差作為特征。然而,對數(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變換的基礎上提出新的特征提取方法。首先,對原始運動想象腦電信號進行預處理,然后進行CSP變換。其次,提取對數(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）、最小絕對值收縮和選擇算子（LASSO）、融合LASSO和彈性網(wǎng)絡共4種分類方法對5種特征進行分類。使用一個公開的腦機接口（BCI）競賽數(shù)據(jù)集進行實驗。實驗結果表明,在新的特征提取方法中,AR系數(shù)特征無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,可進一步提高BCI系統(tǒng)的性能。 

【文章來源】：桂林航天工業(yè)學院學報. 2020,25(03)

【文章頁數(shù)】：6 頁

【部分圖文】：

整體流程圖

在使用AR系數(shù)作為特征時,AR系數(shù)的階數(shù)選擇對最終的分類結果影響比較大。因此,我們通過實驗選擇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,采用FLDA等4種分類方法得到的整個數(shù)據(jù)集平均分類準確率隨AR階數(shù)(1至20階)的變化曲線。從圖2中可以明顯地看出,對于4種分類器,平均分類準確率均在階數(shù)為4左右時,達到最高值。其中,FLDA、LASSO和fused LASSO分類器在4階時,分類準確率最高;EN在3階時,分類準確率最高。總平均分類準確率先隨著階數(shù)的增加而增加,在階數(shù)為4時達到峰值,之后隨著階數(shù)的增加準確率連續(xù)下降。通過圖2我們可以看出,當使用AR系數(shù)作為特征時,AR階數(shù)為4時,效果最佳。因此,在本文的后續(xù)實驗中,AR階數(shù)選擇為4。為了準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被試對應不同特征提取方法得到的分類準確率。表中準確率最高的數(shù)據(jù)用黑體加粗標注。

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果中差異較大。3 討論

【參考文獻】：
期刊論文
[1]基于多特征融合的運動想象腦電信號識別研究[J]. 姜月,鄒任玲.  中國醫(yī)學物理學雜志. 2019(05)
[2]基于改進CSP算法的運動想象腦電信號分類方法[J]. 馬滿振,郭理彬,蘇奎峰.  計算機與現(xiàn)代化. 2017(11)

碩士論文
[1]基于AR模型的腦電信號特征提取與識別[D]. 鄒清.中南大學 2008



本文編號：3458853