针对运动想象脑电信号(EEG)的非线性、非平稳性特点,提出了一种结合小波包变换(WPT)和串并行卷积神经网络(SPCNN)的脑电信号分类方法.在小波包变换过程中,对脑电信号进行时频分解,选取与运动想象密切相关的频率段进行重构,重构后的脑电...针对运动想象脑电信号(EEG)的非线性、非平稳性特点,提出了一种结合小波包变换(WPT)和串并行卷积神经网络(SPCNN)的脑电信号分类方法.在小波包变换过程中,对脑电信号进行时频分解,选取与运动想象密切相关的频率段进行重构,重构后的脑电信号保留了有效的时频信息.考虑到脑电信号不同通道之间以及通道内的特征,构建了SPCNN网络模型自动提取有效的特征并进行分类.利用公开的竞赛数据集BCI competition IV 2b进行验证,结果表明:该方法能自适应的提取到有效特征,平均分类准确率达到了84.77%,比卷积神经网络提高了6.49%,为脑机接口系统的研究提供了一种分类方法.展开更多
对运动想象脑电信号的动力学模型进行了分析,将其分成两个阶段(强非线性的瞬态阶段和弱非线性的自由响应阶段),并构建了一种新的特征提取算法。首先通过起始点扫描的方式对脑电信号进行分割来获得自由响应阶段的脑电信号;然后针对自由...对运动想象脑电信号的动力学模型进行了分析,将其分成两个阶段(强非线性的瞬态阶段和弱非线性的自由响应阶段),并构建了一种新的特征提取算法。首先通过起始点扫描的方式对脑电信号进行分割来获得自由响应阶段的脑电信号;然后针对自由响应阶段产生的脑电信号,引入振动多模态参数识别ITD(Ibrahim Time Domain)算法来提取特征组合成特征向量;最后利用Adaboost分类器进行自适应特征选择和分类。运用此方法对国际标准数据库The largest SCP data of Motor-Imagery中的CLA运动想象数据集进行特征提取和特征选择与分类,其平均分类准确率高达90%以上。与现有的特征提取算法相比,获得了更好的分类性能和稳定性。展开更多
文摘针对运动想象脑电信号(EEG)的非线性、非平稳性特点,提出了一种结合小波包变换(WPT)和串并行卷积神经网络(SPCNN)的脑电信号分类方法.在小波包变换过程中,对脑电信号进行时频分解,选取与运动想象密切相关的频率段进行重构,重构后的脑电信号保留了有效的时频信息.考虑到脑电信号不同通道之间以及通道内的特征,构建了SPCNN网络模型自动提取有效的特征并进行分类.利用公开的竞赛数据集BCI competition IV 2b进行验证,结果表明:该方法能自适应的提取到有效特征,平均分类准确率达到了84.77%,比卷积神经网络提高了6.49%,为脑机接口系统的研究提供了一种分类方法.
文摘对运动想象脑电信号的动力学模型进行了分析,将其分成两个阶段(强非线性的瞬态阶段和弱非线性的自由响应阶段),并构建了一种新的特征提取算法。首先通过起始点扫描的方式对脑电信号进行分割来获得自由响应阶段的脑电信号;然后针对自由响应阶段产生的脑电信号,引入振动多模态参数识别ITD(Ibrahim Time Domain)算法来提取特征组合成特征向量;最后利用Adaboost分类器进行自适应特征选择和分类。运用此方法对国际标准数据库The largest SCP data of Motor-Imagery中的CLA运动想象数据集进行特征提取和特征选择与分类,其平均分类准确率高达90%以上。与现有的特征提取算法相比,获得了更好的分类性能和稳定性。
