Choquet模糊积分隐马尔科夫模型在运动想象脑电分类中的应用

92 浏览量更新于2024-08-26 2 收藏 190KB PDF 举报

"这篇文章是关于运动想象脑电信号分类的研究，使用了一种创新的方法——基于Choquet模糊积分的隐马尔科夫模型(CI-HMM)。传统的隐马尔科夫模型(HMM)在处理脑电信号时，由于其独立性假设与实际信号间的相关性存在矛盾，因此在分类效果上可能受限。CI-HMM通过引入模糊积分的单调性，放松了独立性假设，以更好地适应脑电信号的特性。文章中提到，首先对脑电信号采用重叠滑动窗进行分段处理，这样可以捕捉到信号的动态变化。接着，从每个信号段中提取关键特征，包括绝对均值、波长和小波包相对能量。这些特征能够反映信号的不同方面，有助于提高分类的准确性。所提取的特征构成特征序列，用于CI-HMM的训练和分类过程。实验部分，作者选取了2008年BCI竞赛中的Datasets 1，该数据集包含两类运动想象任务的脑电信号。分类实验结果显示，CI-HMM方法在运动想象脑电信号分类上表现优越，提升了HMM方法的性能。这表明，利用模糊积分的CI-HMM更有效地捕捉了脑电信号的内在关联性和动态变化，从而提高了分类效率。这项工作是在国家自然科学基金和浙江省自然科学基金等项目的资助下完成的，其研究对于理解和利用运动想象脑电信号，以及进一步发展脑机接口(BCI)技术具有重要意义。通过改进模型，未来有可能实现更精确、更稳定的BCI系统，为神经科学、康复医学等领域提供更强大的工具。"

第 26 卷第 12 期

2013 年 12 月

传感技术学报

CHINESE JOURNAL OF SENSORS AND ACTUATORS

Vol. 26摇 No. 12

Dec. 2013

项目来源:国家自然科学基金项目(61172134,61201302);浙江省自然科学基金项目 ( LY12F03006);浙江省科技计划项目

(2010C33075,2013C24016)

收稿日期:2013-07-25摇摇修改日期:2013-11-20

Motor Imagery EEG Classification Based on CI鄄HMM

MENG Ming

,MAN Haitao,SHE Qingshan

(Intelligent control and Robotics Institute,Hangzhou Dianzi University,Hangzhou 310018,China)

Abstract:In the applications of hidden Markov model(HMM)in motor imagery electroencephalogram(EEG)classi鄄

fication,the independence assumption of HMM is inconsistent with the inherent correlation of EEG signals. In order

to resolve the problem,an EEG classification method based on Choquet fuzzy integral HMM(CI鄄HMM)is proposed.

The independence assumption of HMM is relaxed by substituting the monotonicity of fuzzy integrals for the additivity

of probability measures. Each signal was segmented using overlapping sliding window. Then from each segment,the

absolute mean,wavelength and wavelet packet based relative energy features were extracted to constitute observation

sequence for the CI鄄HMM training and classification. The BCI Competition 2008 Datasets 1 with two classes of motor

imagery were selected for classification experiments. The experimental results show that this method can effectively

improve the performance of the HMM method used in motor imagery EEG classification.

Key words:EEG;motor imagery;fuzzy integral;hidden Markov model

EEACC:7230J;7220;7510D摇摇摇摇 doi:10. 3969 / j. issn. 1004-1699. 2013. 12. 003

基于 CI鄄HMM 的运动想象脑电信号分类

孟摇明

,满海涛,佘青山

(杭州电子科技大学智能控制与机器人研究所,杭州 310018)

摘摇要:

针对隐马尔科夫模型在运动想象脑电信号分类应用中,其独立性假设与脑电信号间相关性的不一致问题,提出一种

基于 Choquet 模糊积分隐马尔科夫模型的脑电信号分类方法。该模型应用模糊积分的单调性取代了概率测度的可加性,放宽

了隐马尔科夫模型的独立性假设。利用重叠滑动窗对脑电信号分段,然后对每段数据提取绝对均值、波长和小波包相对能量

特征,构成特征序列用于 CI鄄HMM 的训练和分类。选取 2008 年 BCI 竞赛 Datasets 1 的两类运动想象数据进行分类实验,结果

表明,该方法有效提高了隐马尔科夫模型方法对运动想象脑电信号分类的性能。

关键词:

脑电信号;运动想象;模糊积分;隐马尔科夫模型

中图分类号:TP391摇摇摇摇文献标识码:A摇摇摇摇文章编号:1004-1699(2013)12-1638-06

摇摇在人们想象肢体动作的规划和执行阶段,大脑

皮层对侧主感觉运动区会出现特定节律波衰减的现

象,称为事件相关去同步电位 ERD ( Event鄄Related

Desynchronization);而在动作执行结束后,则会出现

特定节律波增强的现象,称为事件相关同步电位

ERS(Event鄄Related Synchronization)

[1]

。基于 ERD/

ERS 模式进行意图识别是脑机接口的一种重要方

式,相对于 P300、VEP 等诱发电位方式,运动想象具

有无需外界刺激、可实现异步通讯等优点,在脑机接

口研究当中被广泛关注

[2]

。这种自发的脑电信号

EEG(Electroencephalogram,)更为微弱,并具有显著

的非平稳性和非线性,这给 EEG 的特征提取和运动

想象分类带来很大的挑战。

在马尔科夫模型基础上发展起来的隐马尔科夫

模型(HMM)是一种用于描述随机过程统计特性的

通用模型

[3]

,已成功应用于语音识别领域,因而也

被尝试用于运动想象 EEG 这类多元时序信号的分

类。 Souza 等

[4]

采用幅值平方相干函数提取 EEG 特

征,然后分别利用 HMM 和多层感知器( MLP) 对手

指动作的实际运动和运动想象进行识别,HMM 方法

的识别准确率优于 MLP 方法。 Argunsah 等

[5]

利用

HMM 结合自回归模型( AR) 和主成分分析( PCA)

下载后可阅读完整内容，剩余5页未读，立即下载

weixin_38620099

粉丝: 1
资源: 942

Choquet模糊积分隐马尔科夫模型在运动想象脑电分类中的应用

隐马尔科夫模型源代码及说明（详细）

脑电信号-运动想象代码，搭建环境见博客

隐马尔可夫模型代码实现 详细注释

重庆大学 数据分析与数据挖掘课程作业 基于SVM-HMM混合模型算法的癫痫脑电信号的特征提取与识别 共18页.ppt

em算法matlab代码-spindles-HMM:脑电睡眠纺锤体检测的新方法，利用生成模型（动态贝叶斯网络）表征单通道脑电图的反复发生动态机

hmm模型matlab代码-vi-HMM:vi-HMM

hmm模型matlab代码-pytorch-hmm-vae:pytorch-hmm-Wo

基于DWT-HMM的纸币图像退化分类解决方案

I-HMM-Based Multidimensional Network__Security Risk Assessment

ist的matlab代码-HMM-and-Bayesian-HMM:DicreteandMixtureofGaussianHMMandBaye

最新资源

隐马尔可夫模型代码实现详细注释

重庆大学数据分析与数据挖掘课程作业基于SVM-HMM混合模型算法的癫痫脑电信号的特征提取与识别共18页.ppt