發(fā)布時間：2018-03-23 06:38

  本文選題：小波包分析　切入點：共同空間模式(CSP)　出處：《生物醫(yī)學工程研究》2017年03期 　論文類型：期刊論文

【摘要】：運動想象腦電特征快速準確提取是腦-機接口技術研究的重要問題。本研究分別討論了共同空間模式(common spatial pattern,CSP)與小波包分析關于左右手運動想象特征提取的原理,并對兩種方法進行了比較。對于GRAZ大學提供的運動想象腦電數(shù)據(jù),使用CSP與支持向量機(support vector machine,SVM)結合的分類正確率最高為85.5%;使用小波包分析與SVM結合的分類正確率最高為99%。同時對于本實驗室采用Emotiv epoc+系統(tǒng)采集的運動想象腦電數(shù)據(jù),利用小波包分析與SVM結合的分類正確率也保持在98%以上。實驗結果表明,相較于CSP算法,小波包分析對于運動想象特征提取的效果更好。
[Abstract]:Fast and accurate feature extraction of motion imagination EEG is an important problem in brain-computer interface technology. In this study, the principle of common spatial mode common spatial pattern and wavelet packet analysis on feature extraction of left and right hand motion imagination is discussed, respectively. And compare the two methods. For the motor imagination EEG data provided by GRAZ University, The classification accuracy rate of CSP combined with support vector machine (SVM) was 85.5, and that of wavelet packet analysis combined with SVM was 995.At the same time, for the motion imagination EEG data collected by Emotiv epoc system in our laboratory, The classification accuracy of wavelet packet analysis combined with SVM is over 98%. Experimental results show that wavelet packet analysis is more effective than CSP algorithm in feature extraction of motion imagination.
【作者單位】： 山東建筑大學信息與電氣工程學院;
【基金】：山東省科技重大專項資助項目(2015ZDXX0801A03)
【分類號】：R318;TN911.7

【相似文獻】

相關期刊論文 前1條

1 劉燕;穆振東;;運動想象機制研究[J];科技廣場;2011年01期

相關碩士學位論文 前9條

1 王超;基于OpenVIBE的高性能運動想象在線腦—機接口系統(tǒng)研究[D];華南理工大學;2016年

2 馬秀秀;基于運動想象的異步腦—機接口算法研究[D];哈爾濱工業(yè)大學;2016年

3 王延達;基于運動想象的腦電信號識別算法研究[D];南京航空航天大學;2016年

4 張f歡;運動想象腦電信號的分析研究[D];上海交通大學;2015年

5 姚家揚;運動想象腦電處理及其模式識別方法研究[D];杭州電子科技大學;2016年

6 蔡慧;BCI中的運動想象腦電信號處理方法研究[D];杭州電子科技大學;2016年

7 張煥;四類運動想象任務的腦電信號識別算法研究[D];山西大學;2016年

8 楊默涵;基于運動想象的腦電信號分類算法與腦-機接口技術研究[D];吉林大學;2017年

9 易振華;運動想象腦電信號的分析與處理方法研究[D];北京交通大學;2008年

，

本文編號：1652364