本文關(guān)鍵詞：運(yùn)動想象腦電信號特征提取與分類算法研究　出處：《計(jì)算機(jī)工程與應(yīng)用》2017年16期 　論文類型：期刊論文

  更多相關(guān)文章： 小波包熵 支持向量機(jī) 腦電信號分類

【摘要】：針對運(yùn)動想象腦電信號特征提取困難,分類正確率低的問題,提出了利用小波熵進(jìn)行特征提取并采用支持向量機(jī)(SVM)來分類的算法。計(jì)算運(yùn)動想象腦電信號的功率,通過理論分析選擇小波包尺度,對信號功率進(jìn)行小波包分解并計(jì)算其小波包熵(WPE),提取C3、C4導(dǎo)聯(lián)的小波包熵插值組成特征向量,將特征向量作為分類器的輸入送入支持向量機(jī)進(jìn)行分類。采用國際BCI競賽2003中的Graz數(shù)據(jù)進(jìn)行驗(yàn)證,算法的最高分類正確率達(dá)97.56%。算法特征向量維數(shù)低、數(shù)據(jù)量小、分類正確率高,對運(yùn)動想象腦電信號特征提取及分類的任務(wù)可以提供參考方法。
[Abstract]:Aiming at the difficulty of feature extraction of motion imaginary EEG signals and the low classification accuracy. In this paper, wavelet entropy is used for feature extraction and support vector machine (SVM) is used for classification. The power of motion imaginary EEG signal is calculated, and wavelet packet scale is selected by theoretical analysis. The signal power is decomposed by wavelet packet and its wavelet packet entropy is calculated. The wavelet packet entropy interpolation of C3C4 leads is extracted to form the eigenvector. The feature vector is fed into support vector machine as the input of classifier, and the Graz data of international BCI contest 2003 are used to verify the classification. The maximum classification accuracy of the algorithm is 97.56. The feature vector dimension of the algorithm is low, the amount of data is small, and the classification accuracy is high. It can provide a reference method for the task of feature extraction and classification of motion imagination EEG signals.
【作者單位】： 裝甲兵工程學(xué)院控制工程系;
【分類號】：R318;TN911.7
【正文快照】： 1引言近年來,隨著生物工程、計(jì)算機(jī)科學(xué),人工智能研究的不斷深入,催生了以腦機(jī)接口為代表的新興技術(shù)迅速發(fā)展。腦機(jī)接口(Brain Computer Interface,BCI)是建立一種大腦與計(jì)算機(jī)或其他裝置聯(lián)系的技術(shù),該聯(lián)系可以不通過通常的大腦輸出通路(大腦的外周神經(jīng)和肌肉組織)[1-3]。腦機(jī)

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 關(guān)偉;楊柳;江世雄;張文義;;腦電在交通駕駛行為中的應(yīng)用研究綜述[J];交通運(yùn)輸系統(tǒng)工程與信息;2016年03期

2 于路;薄華;;基于改進(jìn)EMD的運(yùn)動想象腦電信號識別算法研究[J];微型機(jī)與應(yīng)用;2016年09期

3 段鎖林;尚允坤;潘禮正;;多類運(yùn)動想象腦電信號特征提取與分類[J];計(jì)算機(jī)測量與控制;2016年02期

4 韓敏;孫卓然;;基于小波變換和AdaBoost極限學(xué)習(xí)機(jī)的癲癇腦電信號分類[J];計(jì)算機(jī)應(yīng)用;2015年09期

5 邢麗超;;腦-機(jī)接口的研究現(xiàn)狀[J];科技創(chuàng)新與應(yīng)用;2015年06期

6 王斐;張育中;寧廷會;聞時(shí)光;;腦-機(jī)接口研究進(jìn)展[J];智能系統(tǒng)學(xué)報(bào);2011年03期

7 王艷景;喬曉艷;李鵬;李剛;;基于小波包熵和支持向量機(jī)的運(yùn)動想象任務(wù)分類研究[J];儀器儀表學(xué)報(bào);2010年12期

8 王金甲;周麗娜;趙玉超;;基于MEG的腦機(jī)接口特征提取方法研究[J];儀器儀表學(xué)報(bào);2010年07期

9 徐寶國;宋愛國;;基于小波包變換和聚類分析的腦電信號識別方法[J];儀器儀表學(xué)報(bào);2009年01期

10 李波;劉楊;周宗潭;;嵌入式腦機(jī)接口系統(tǒng)的軟件設(shè)計(jì)與實(shí)現(xiàn)[J];計(jì)算機(jī)仿真;2007年07期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉方毅;李方博;;腦——機(jī)接口系統(tǒng)組成概述[J];電子世界;2017年21期

2 吳林彥;魯昊;高諾;王濤;;基于CSP算法與小波包分析方法的運(yùn)動想象腦電信號特征提取性能的比較[J];生物醫(yī)學(xué)工程研究;2017年03期

3 劉超;林曉煥;廖文;高瑩;;基于小波變換與ICA結(jié)合的EP信號提取研究[J];國外電子測量技術(shù);2017年09期

4 王鵬翔;張兆基;;小波變換下的腦電信號癲癇特征波識別算法研究[J];信息與電腦(理論版);2017年17期

5 馬也;常天慶;郭理彬;;運(yùn)動想象腦電信號特征提取與分類算法研究[J];計(jì)算機(jī)工程與應(yīng)用;2017年16期

6 葉志雄;羅錦宏;糜超;鄒凌;;16通道腦電采集系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J];電子技術(shù)應(yīng)用;2017年08期

7 蔡淼;胡萍;;基于小波包變換的右手和腳運(yùn)動想象任務(wù)分類[J];中國醫(yī)療器械雜志;2017年03期

8 馬也;姜光萍;;P300腦電信號的特征提取及分類研究[J];山東工業(yè)技術(shù);2017年10期

9 高明信;;運(yùn)動疲勞過程中腦電信號特征提取仿真[J];計(jì)算機(jī)仿真;2017年05期

10 張震;程偉偉;吳磊;張斌;;基于不變矩和SVM的圓形交通標(biāo)志識別方法研究[J];電子測量與儀器學(xué)報(bào);2017年05期

【二級參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張新靜;徐欣;凌至培;黃永志;王心醉;王守巖;;基于最大相關(guān)和最小冗余準(zhǔn)則及極限學(xué)習(xí)機(jī)的癲癇發(fā)作檢測方法[J];計(jì)算機(jī)應(yīng)用;2014年12期

2 姚文坡;劉鐵兵;戴加飛;王俊;;腦電信號的多尺度排列熵分析[J];物理學(xué)報(bào);2014年07期

3 莊瑋;段鎖林;徐亭婷;;基于SVM的4類運(yùn)動想象的腦電信號分類方法[J];常州大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年01期

4 王行愚;金晶;張宇;王蓓;;腦控:基于腦-機(jī)接口的人機(jī)融合控制[J];自動化學(xué)報(bào);2013年03期

5 曹瑩;苗啟廣;劉家辰;高琳;;AdaBoost算法研究進(jìn)展與展望[J];自動化學(xué)報(bào);2013年06期

6 余煒;韓強(qiáng);馬晶晶;謝培;;基于EMD和SVM的腦電信號處理方法[J];昆明理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年06期

7 楊幫華;陸文宇;何美燕;劉麗;;腦機(jī)接口中基于WPD和CSP的特征提取[J];儀器儀表學(xué)報(bào);2012年11期

8 劉沖;顏世玉;趙海濱;王宏;;多類運(yùn)動想象任務(wù)腦電信號的KNN分類研究[J];儀器儀表學(xué)報(bào);2012年08期

9 王新迎;韓敏;;基于極端學(xué)習(xí)機(jī)的多變量混沌時(shí)間序列預(yù)測[J];物理學(xué)報(bào);2012年08期

10 施錦河;沈繼忠;王攀;;四類運(yùn)動想象腦電信號特征提取與分類算法[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2012年02期

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 魯強(qiáng);劉玉軍;徐建蘭;張進(jìn)祿;;一種適用于清醒動物腦電信號采集的固定裝置[J];首都醫(yī)科大學(xué)學(xué)報(bào);2011年06期

2 孟欣，，歐陽楷;腦電信號的幾個(gè)非線性動力學(xué)分析方法[J];北京生物醫(yī)學(xué)工程;1997年03期

3 吳小培,馮煥清,周荷琴,王濤;獨(dú)立分量分析及其在腦電信號預(yù)處理中的應(yīng)用[J];北京生物醫(yī)學(xué)工程;2001年01期

4 李英遠(yuǎn),周衛(wèi)東;徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)在腦電信號建模中的應(yīng)用[J];山東生物醫(yī)學(xué)工程;2002年02期

5 劉大路,江朝暉,馮煥清,王聰;基于腦電信號時(shí)空分布信息的思維特征研究[J];北京生物醫(yī)學(xué)工程;2004年02期

6 許崇濤,沈民奮,李慧,朱國平;雙譜分析方法在腦電信號分析中的應(yīng)用[J];中國行為醫(yī)學(xué)科學(xué);2004年03期

7 李谷;范影樂;龐全;;基于排列組合熵的腦電信號睡眠分期研究[J];生物醫(yī)學(xué)工程學(xué)雜志;2009年04期

8 劉國松;周佳音;;腦電信號的計(jì)算機(jī)頻譜分析[J];生物化學(xué)與生物物理進(jìn)展;1985年03期

9 馬彥斌，吳祈耀;維格納分布在腦電信號處理中的應(yīng)用[J];北京理工大學(xué)學(xué)報(bào);1995年02期

10 吳祈耀，吳祈宗;腦電信號的現(xiàn)代譜分析技術(shù)[J];北京理工大學(xué)學(xué)報(bào);1995年02期

相關(guān)博士學(xué)位論文 前1條

1 馬小飛;認(rèn)知任務(wù)下的腦電動力學(xué)分析[D];南京大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 于洪;基于腦電信號的警覺度估計(jì)[D];上海交通大學(xué);2007年

2 張志琴;腦電信號的復(fù)雜性分析[D];中南大學(xué);2009年

3 許鳳娟;腦電信號采集與分析系統(tǒng)的設(shè)計(jì)[D];長春理工大學(xué);2011年

4 王歡;基于非平穩(wěn)時(shí)間序列分析方法的腦電信號模式識別[D];蘇州大學(xué);2015年

5 王世通;基于多尺度符號序列熵的睡眠腦電與少中年腦電信號分析[D];南京郵電大學(xué);2015年

6 徐朝陽;基于深度網(wǎng)絡(luò)的腦電信號分類方法研究[D];中國海洋大學(xué);2015年

7 王帥;基于符號化表示學(xué)習(xí)的腦電信號情緒分類方法研究[D];哈爾濱工業(yè)大學(xué);2016年

8 溫?zé)?腦電信號采集系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];南京郵電大學(xué);2016年

9 葛卉;腦電與視聽覺特征相結(jié)合的視頻情感分類[D];北京工業(yè)大學(xué);2016年

10 雙嘉偉;運(yùn)動想象腦電信號模式識別算法的研究[D];中國計(jì)量學(xué)院;2016年

本文編號：1412832