【摘要】：針對(duì)腦機(jī)接口(brain-computer interface,BCI)系統(tǒng)特征提取較慢的現(xiàn)狀,提出基于約束獨(dú)立分量分析(constrained independent component analysis,cICA)的P300特征提取方法.首先,針對(duì)各位P300實(shí)驗(yàn)被試,通過EEG圖像研究其特有P300時(shí)域特性;然后,根據(jù)P300特性構(gòu)建參考信號(hào),并將參考信號(hào)與獨(dú)立分量分析(independent component analysis,ICA)方法結(jié)合,基于64導(dǎo)聯(lián)EEG,提取出與P300相關(guān)度最大的獨(dú)立分量;最后,依據(jù)提取出的獨(dú)立分量構(gòu)造3維特征向量進(jìn)行分類.實(shí)驗(yàn)采用線性分類器,針對(duì)BCI Competition II dataset IIb和BCI Competition III dataset II兩組公共數(shù)據(jù)集進(jìn)行了驗(yàn)證.結(jié)果表明,提出方法在3次疊加平均下識(shí)別正確率達(dá)67.1%,15次達(dá)95.2%,在相同實(shí)驗(yàn)條件下,分類時(shí)間也較其他方法縮短.
[Abstract]:A P300 feature extraction method based on constrained Independent component Analysis (constrained independent component analysis,cICA) is proposed to solve the problem of slow feature extraction in brain-computer interface (brain-computer interface,BCI) systems. First of all, the special P300 time-domain characteristics of P300 are studied by EEG images, and then the reference signal is constructed according to the P300 characteristics, and the reference signal is combined with the independent component analysis (independent component analysis,ICA) method. Based on 64-lead EEG, the independent components with the greatest correlation with P300 are extracted. Finally, 3D feature vectors are constructed according to the extracted independent components. The experiment uses linear classifier to verify two groups of common data sets: BCI Competition II dataset IIb and BCI Competition III dataset II. The results show that the accuracy rate of the proposed method is 67.1 times and 95.2 times on the average of three superpositions, and the classification time is shorter than that of other methods under the same experimental conditions.
【作者單位】： 東北大學(xué)中荷生物醫(yī)學(xué)與信息工程學(xué)院;東北大學(xué)機(jī)械工程與自動(dòng)化學(xué)院;
【基金】：國家自然科學(xué)基金資助項(xiàng)目(61071057)
【分類號(hào)】：R318

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 劉沖;趙海濱;李春勝;王宏;;基于CSP與SVM算法的運(yùn)動(dòng)想象腦電信號(hào)分類[J];東北大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年08期

2 劉曉志;馮大偉;楊英華;秦樹凱;;基于核獨(dú)立分量分析的盲多用戶檢測算法[J];東北大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年06期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉沖;李春勝;趙海濱;王宏;;特征選擇算法在ECoG分類中的應(yīng)用[J];東北大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年05期

2 顏世玉;王宏;劉沖;趙海濱;;基于小波方差的運(yùn)動(dòng)想象腦電信號(hào)特征提取[J];東北大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年07期

3 顏世玉;王宏;趙海濱;劉沖;;腦-機(jī)接口中小波和小波包方差的特征比較[J];東北大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年10期

4 蔣夕平;吳鳳凰;蔣昱;修連存;;基于FastICA算法的高光譜礦物豐度反演[J];吉林大學(xué)學(xué)報(bào)(地球科學(xué)版);2013年05期

5 張?jiān)茓?雷斌;朱婷婷;;針對(duì)電磁干擾的濾波技術(shù)[J];電聲技術(shù);2013年12期

6 孫通;許文麗;胡田;劉木華;;基于UVE-ICA和支持向量機(jī)的南豐蜜桔可溶性固形物可見-近紅外檢測[J];光譜學(xué)與光譜分析;2013年12期

7 李春蔚;;一種改進(jìn)的獨(dú)立成分分析算法的計(jì)算機(jī)仿真研究[J];電腦知識(shí)與技術(shù);2013年32期

8 納躍躍;謝，

本文編號(hào)：2270461