基于MEG的脑机接口特征提取方法研究

被引：12

作者：

王金甲

周丽娜

赵玉超

机构：

[1] 燕山大学信息科学与工程学院

来源：

仪器仪表学报 | 2010年 / 31卷 / 07期

关键词：

脑机接口; 脑磁图; 自回归模型; 经验模态分解;

D O I：

10.19650/j.cnki.cjsi.2010.07.004

中图分类号：

TN911.7 [信号处理];

学科分类号：

0711 ; 080401 ; 080402 ;

摘要：

脑磁信号作为一种新的脑机接口(BCI)输入信号,含有手运动方向的模式信息。在研究了适用于非平稳性的自适应自回归模型和适用于非高斯性的高阶谱自回归模型的基础上,本文针对脑磁信号的非平稳非高斯性,提出了一种新的特征提取算法,即基于经验模态分解的自回归模型。实验结果表明该算法适合于分析非高斯、非平稳的脑磁信号,结果优于上述的两种算法,并且超过了脑机接口竞赛四优胜者的识别率。

引用

页码：1460 / 1465

页数：6

共 6 条

[1] 基于EMD和自相关分析的轮胎音频信号处理 [J].

黄姣英 ;

袁海文 ;

崔勇 ;

毕晨曦 .

电子测量与仪器学报, 2009, 23 (09) :33-37

[2] 基于小波包变换和聚类分析的脑电信号识别方法 [J].

徐宝国 ;

宋爱国 .

仪器仪表学报, 2009, 30 (01) :25-28

[3] 基于小波包分解的脑电信号特征提取 [J].

吴婷 ;

颜国正 ;

杨帮华 .

仪器仪表学报, 2007, (12) :2230-2234

[4]

现代信号处理.[M].张贤达著;.清华大学出版社.2002,

[5]

An MEG-based brain–computer interface (BCI).[J].Jürgen Mellinger;Gerwin Schalk;Christoph Braun;Hubert Preissl;Wolfgang Rosenstiel;Niels Birbaumer;Andrea Kübler.Neuroimage.2007, 3

[6]

Brain–computer interfaces for communication and control.[J].Jonathan R Wolpaw;Niels Birbaumer;Dennis J McFarland;Gert Pfurtscheller;Theresa M Vaughan.Clinical Neurophysiology.2002, 6

← 1 →