运动想象脑电信号特征提取与分类算法研究

需积分: 32 24 下载量 59 浏览量 更新于2024-09-05 8 收藏 1007KB PDF 举报
基于运动想象脑电信号特征提取与分类算法研究 本论文研究主要针对运动想象脑电信号特征提取困难、分类正确率低的问题,提出了一种利用小波熵进行特征提取并采用支持向量机(SVM)来分类的算法。该算法首先计算运动想象脑电信号的功率,然后通过理论分析选择小波包尺度,对信号功率进行小波包分解并计算其小波包熵(WPE),提取C3、C4导联的小波包熵插值组成特征向量,将特征向量作为分类器的输入送入支持向量机进行分类。 该算法的特点是特征向量维数低、数据量小、分类正确率高,对运动想象脑电信号特征提取及分类的任务可以提供参考方法。通过对国际BCI竞赛2003中的Graz数据进行验证,算法的最高分类正确率达97.56%。 脑机接口(BCI)是建立一种大脑与计算机或其他装置联系的技术,该联系可以不通过通常的大脑输出通路(大脑的外周神经和肌肉组织)。脑机接口技术可以代替语言和肢体动作,使人的思维意念控制变为现实,因此在军事目标搜索、飞行模拟器控制、汽车驾驶、新型游戏娱乐以及帮助运动或感觉机能出现问题的残障人士重新恢复信息通信功能等方面均有应用并有巨大潜能。 典型的脑机接口系统由脑电信号提取与采集模块、脑电信号处理模块、脑电信号输出模块以及脑电信号反馈模块组成。其中脑电信号输出模块中的脑电信号特征提取及分类算法为脑机接口系统中的研究重点,在脑机接口的实际应用中,算法的优劣影响最后的结果,直接反应了脑机接口系统的性能。 基于运动想象的脑机接口是众多脑机接口范式中的重要组成部分。目前,基于运动想象的脑机接口还存在信噪比低、控制率不高、分析处理方法较少的问题。解决此类问题的关键是脑电信号特征提取及分类方法。常见的脑电信号特征提取方法主要分为三类,一是基于时域的特征提取方法,如时域特征、频域特征等;二是基于频域的特征提取方法,如Fast Fourier Transform(FFT)、Short-Time Fourier Transform(STFT)等;三是基于时频域的特征提取方法,如Continuous Wavelet Transform(CWT)、Discrete Wavelet Transform(DWT)等。 在本论文中,我们提出了一种基于小波熵的脑电信号特征提取方法,该方法可以有效地提取运动想象脑电信号的特征,并且可以提高分类正确率。该方法的优点是可以减少数据量,提高算法的效率,并且可以提高分类正确率。 小波熵是一种基于小波变换的熵值计算方法,它可以对信号进行多尺度分析,并且可以提取信号的时域和频域特征。在本论文中,我们使用小波熵来计算运动想象脑电信号的特征,并将其作为分类器的输入送入支持向量机进行分类。 支持向量机(SVM)是一种基于统计学习理论的分类算法,它可以对高维空间中的数据进行分类,并且可以处理非线性分类问题。在本论文中,我们使用支持向量机来分类运动想象脑电信号,并且取得了较高的分类正确率。 本论文提出了一种基于小波熵和支持向量机的运动想象脑电信号特征提取与分类算法,该算法可以有效地提取运动想象脑电信号的特征,并且可以提高分类正确率。该算法可以为脑机接口系统提供参考方法,并且可以应用于实际的脑机接口系统中。