基于小波包熵和支持向量机的运动想象任务分类研究

被引：27

作者：

王艳景 ^{[1
]}

乔晓艳 ^{[1
]}

李鹏 ^{[1
]}

李刚 ^{[2
]}

机构：

[1] 山西大学电子信息技术系

[2] 天津大学生物医学工程系

来源：

仪器仪表学报 | 2010年 / 31卷 / 12期

关键词：

脑-机接口; 运动想象; 小波包熵; 支持向量机; 互信息;

D O I：

10.19650/j.cnki.cjsi.2010.12.015

中图分类号：

TP334.7 [接口装置、插件];

学科分类号：

摘要：

对运动想象脑电特征进行准确提取和分类是脑-机接口技术研究的重要问题。针对脑电信号非平稳性和非线性特点,提出了一种将小波包熵(WPE)和支持向量机(SVM)相结合的脑电信号识别方法,利用小波包系数能量分布分析脑电时频特性,结合信息熵分析其不确定性和复杂性,并从单次实验中提取运动想象脑电特征;通过支持向量机对特征信号进行分类,采用了一种核函数参数v和误差惩罚因子c的最佳寻优方法,并用互信息(MI)、信噪比(SNR)、最小错分率(MR)等准则对分类器进行评判。测试结果为:想象左右手运动脑电信号识别精度达到90%,M I为0.65 bit,SNR为1.44。结果表明WPE-SVM识别方法能够准确提取脑电本质特征,具有较强的分类性能和抗干扰能力,为大脑运动意识任务分类提供了有效方法,它可以应用于脑-机接口系统中。

引用

页码：2729 / 2735

页数：7

共 9 条

[1] 基于HHT和SVM的运动想象脑电识别
袁玲
杨帮华
马世伟
[J]. 仪器仪表学报, 2010, 31 (03) : 649 - 654
[2] 用于脑机接口的感觉刺激事件相关电位研究进展
明东
[J]. 电子测量与仪器学报, 2009, 23 (06) : 1 - 6
[3] 基于小波支持向量机的数字通信信号调制识别
冯旭哲
罗飞路
杨俊
胡助理
[J]. 电子测量与仪器学报, 2009, 23 (03) : 87 - 92
[4] 基于小波包变换和聚类分析的脑电信号识别方法
徐宝国
宋爱国
[J]. 仪器仪表学报, 2009, 30 (01) : 25 - 28
[5] 脑-机接口研究中想象动作电位的特征提取与分类算法
程龙龙
明东
刘双迟
朱誉环
周仲兴
万柏坤
[J]. 仪器仪表学报, 2008, (08) : 1772 - 1778
[6] 基于小波变换的脑电高阶奇异谱分析
游荣义
陈忠
[J]. 电子测量与仪器学报, 2005, 19 (02) : 58 - 61
[7] Fuzzy support vector machine for classification of EEG signals using wavelet-based features
Xu, Qi
Zhou, Hui
Wang, Yongji
Huang, Jian
[J]. MEDICAL ENGINEERING & PHYSICS, 2009, 31 (07) : 858 - 865
[8] A flexible classification approach with optimal generalisation performance: support vector machines[J] . A.I. Belousov,S.A. Verzakov,J. von Frese.Chemometrics and Intelligent Laboratory Systems . 2002 (1)
[9] Motor imagery and action observation:modulation of sensorimotor brain rhythms during mental control of a brain-computer interface. C. Neuper,R. Scherer,S. Wriessnegger,G. Pfurtscheller. Clinical Neurophysiology . 2009

← 1 →