共空間模式(Common Spatial Pattern,CSP)是腦機(jī)接口(Brain-Computer Interface,BCI)中一種有效的特征提取方法,然而傳統(tǒng)CSP算法并未考慮在提取前剔除可能會影響其性能的不相關(guān)的嘈雜通道信號。所以針對不同對象的通道選擇問題,提出了一種最優(yōu)區(qū)域共空間模式(ORCSP)特征提取方法。首先通過歐式距離得到每個通道的附近區(qū)域,再根據(jù)方差比選擇可分性最高的區(qū)域,然后采用5折交叉驗(yàn)證對區(qū)域內(nèi)通道數(shù)目進(jìn)行尋優(yōu),進(jìn)而得到區(qū)分度最高的區(qū)域特征,最后使用支持向量機(jī)(SVM)進(jìn)行分類。所提方法在BCI競賽數(shù)據(jù)上進(jìn)行了實(shí)驗(yàn)測試,并與同類型的正則化CSP和局部區(qū)域CSP算法進(jìn)行了對比,在BCI CompetitionⅢDatasetⅣa數(shù)據(jù)集上達(dá)到了89.78%的平均準(zhǔn)確率。實(shí)驗(yàn)結(jié)果驗(yàn)證了所提出方法的有效性。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1ORCSP算法流程圖

多通道EEG信號中許多通道存在大量冗余信息,通道的選擇對于EEG信號的分類精度有很大的影響,所以盡可能選擇那些使兩類信號差異較大的通道。對于如何確定區(qū)分度較大的通道,考慮若干個通道組成的區(qū)域的可分性:由于運(yùn)動想象中兩類任務(wù)在特定區(qū)域的差異性明顯,但不同對象在運(yùn)動想象時活躍區(qū)域并不....

圖2受試者A1上兩種算法的空間濾波及通道權(quán)重

圖2和圖3分別為受試者A1和A5兩種算法得到的空間濾波和各通道的權(quán)重示例,圖中圓點(diǎn)為通道位置,ORCSP僅標(biāo)出了選擇區(qū)域內(nèi)通道位置。由圖2所示,傳統(tǒng)的CSP濾波器顯示比較混亂,從神經(jīng)生理學(xué)角度來看在某些并不期望的位置加權(quán)。相反,ORCSP濾波器選擇區(qū)域中的通道在兩類任務(wù)中顯示出明....

圖3受試者A5上兩種算法的空間濾波及通道權(quán)重

圖2受試者A1上兩種算法的空間濾波及通道權(quán)重很明顯,區(qū)域內(nèi)通道個數(shù)也是影響算法性能的重要因素,且每個對象的最優(yōu)區(qū)域內(nèi)通道數(shù)目也都不相同,圖4為受試者A1和A5區(qū)域內(nèi)通道個數(shù)n對分類性能的影響。由圖4可以看出當(dāng)通道較少時準(zhǔn)確率都較低,方差不夠明顯。當(dāng)n增大時,準(zhǔn)確率隨之上升到最大....

圖4不同參數(shù)n下受試者A1和A5的測試準(zhǔn)確率變化

通道較多的數(shù)據(jù)可以使區(qū)域劃分更為細(xì)密,有利于找出差異較大的區(qū)域。為了進(jìn)一步驗(yàn)證本算法的適用性,本文也在通道較少的BCICompetitionⅣDatasetⅡa數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn),表2為該數(shù)據(jù)集上四種算法取得的準(zhǔn)確率。從表2中可以看到本文算法除了C5和C6兩個受試者,其他....

本文編號：3925004