基于眼动辅助脑电信号手部动作分类方法.pdfVIP

基于眼动辅助脑电信号的手部动作分类方法 孟明，罗志增 （杭州电子科技大学智能控制与机器人研究所，杭州310018 ） 摘要：提出一种利用小波包变换和支持向量机对手部动作的脑电信号进行分类的方法。采集了带眼动辅助 的想象手部动作时的C3、C4 、P3 和P4 脑电信号，用小波包变换的方法提取了4 种特征节律波，分别计 算提取了每种节律波能量占4 种特征节律波能量之和的比值作为特征，然后将16 维特征向量输入支持向量 机分类器进行手部动作分类。对上翻、下翻、展拳、握拳四种手部动作的分类实验的识别率为82.3%，优 于单纯运动想象进行分类实验的结果。 关键词：脑电信号；手部动作分类；小波包变换；支持向量机 Hand motion classification based on eye-moving assisted EEG Meng ming, Luo zhizeng (Institute of Intelligent Control and Robotics, Hang zhou Dianzi University, Hangzhou,Zhejiang 310018,China) Abstract: A classification method using wavelet packet transform and support vector machine (SVM) is presented to classify the electroencephalogram （EEG ）of hand motion.. Firstly, the eye-moving assisted EEG at C3 、C4 、P3 and P4 during hand-motion were recorded. Then 4 feature rhythm waves were extracted by wavelet packet transform and the energy ratio of each rhythm wave to the sum of 4 rhythm wave was calculated respectively as the feature. Lastly, the 16 dimension feature vector was input into SVM classifier to recognize the hand-motions. The correct rate of four patterns of hand-motion, namely, hand up and down, hand opening and closing is 82.3% in classification experiments, which is better than those classified based on pure motor imagery EEG. Key words: EEG; Hand movement classification; wavelet packet transform; SVM 脑电信号（Electroencephalogram，EEG ） 动作的识别率到80 ％以上，但对三个及以上 是一种伴随人类思维产生的生物电信号，是 的动作识别还不理想。伴随人的思维和动作 大脑神经电活动产生的电场经容积导体( 由 过程，会产生与运动形式密切相关的眼部运 皮层、颅骨、脑膜及头皮构成)传导后在头 动，引发眼电信号（electrooculogram，EOG ）。 皮上的电位分布，它反映了大脑组织的脑电 人们往往将眼电作为伪迹将其从脑电信号 活动及大脑的功能状态。目前，基于脑电信 中滤除[4] 。鉴于眼动与所想象动作具有一定 号的脑机接口技术已经成为研究热点，但由 的相关性，为提高动作分类效果，在自发脑 于脑电活动的复杂性导致直接通过脑电信 电控制方式的基础上，本文尝试采用带眼动 号对手部多个动作的识别率比较低，脑电信