為提高運動想象腦電信號特征的區(qū)分性,提出一種基于多元變分模態(tài)分解（MVMD）的多域特征結(jié)合腦電特征提取方法。首先利用MVMD對原始腦電多通道數(shù)據(jù)進(jìn)行自適應(yīng)分解,然后從分解得到的固有模態(tài)函數(shù)（IMF）分量提取信號的時域特征以及非線性動力學(xué)特征,同時將IMF分量合并構(gòu)造新的信號矩陣,并采用共空間模式（CSP）法對重構(gòu)信號提取空間特征,進(jìn)行時域、非線性動力學(xué)以及空域特征的結(jié)合,最后通過支持向量機（SVM）對此特征集分類。所提方法在BCI Competition II Dataset III數(shù)據(jù)集上達(dá)到了89.64%的分類準(zhǔn)確率,與現(xiàn)有的方法比較,驗證了所提方法的有效性。 

【文章來源】：傳感技術(shù)學(xué)報. 2020,33(06)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

特征提取過程

本文采用BCI Competition Ⅱ Dataset Ⅲ數(shù)據(jù)集[18]對所提出的特征提取方法進(jìn)行驗證。該實驗數(shù)據(jù)記錄了一個25歲正常女性做的運動想象信號,包含7組實驗,每組40次,一共280次,其中140個為訓(xùn)練數(shù)據(jù),140個為測試數(shù)據(jù),這些實驗分為兩類:想象左手和想象右手。實驗記錄C3、C4、Cz通道的腦電數(shù)據(jù),采樣頻率為128 Hz,帶通濾波為0.5 Hz～30 Hz。每次實驗持續(xù)時間為9 s,其中0～2 s為準(zhǔn)備狀態(tài),并在第2 s時在屏幕上顯示一個十字架,顯示1 s后結(jié)束,從第3 s開始屏幕中箭頭(向左或向右)提示實驗者運動想象,并在第9 s結(jié)束。本文對C3和C4兩個通道的腦電信號進(jìn)行分析。單次實驗中信號采集過程如下。圖3 原始數(shù)據(jù)波形圖及頻譜圖

原始數(shù)據(jù)波形圖及頻譜圖

【參考文獻(xiàn)】：
期刊論文
[1]多特征融合的運動想象腦電特征提取方法[J]. 羅飛,劉鵬飛,羅元,朱思蒙.  計算機應(yīng)用. 2020(02)
[2]基于總體經(jīng)驗?zāi)B(tài)分解的多類特征的運動想象腦電識別方法研究[J]. 楊默涵,陳萬忠,李明陽.  自動化學(xué)報. 2017(05)
[3]基于左右手運動想象單通道腦電信號的預(yù)處理研究[J]. 李松,伏云發(fā),楊秋紅,劉傳偉,孫會文.  生物醫(yī)學(xué)工程學(xué)雜志. 2016(05)
[4]基于NA-MEMD和互信息的腦電特征提取方法[J]. 韓笑,佘青山,高云園,羅志增.  傳感技術(shù)學(xué)報. 2016(08)
[5]基于粒子群優(yōu)化-支持向量機方法的下肢肌電信號步態(tài)識別[J]. 高發(fā)榮,王佳佳,席旭剛,佘青山,羅志增.  電子與信息學(xué)報. 2015(05)
[6]基于HHT和CSSD的多域融合自適應(yīng)腦電特征提取方法[J]. 李明愛,崔燕,楊金福,郝冬梅.  電子學(xué)報. 2013(12)
[7]基于鄰接矩陣分解的腦電特征提取與分類方法[J]. 佘青山,昌鳳玲,范影樂,羅志增.  傳感技術(shù)學(xué)報. 2012(09)

碩士論文
[1]基于變分模態(tài)分解的機車軸承故障診斷[D]. 魏勇召.北京交通大學(xué) 2018



本文編號：3133797