多分类脑-机接特征提取与模式分类方法的研究.pdfVIP

摘要 摘 要 信息传输率低以及分类识别率不理想一直是脑．机接口研究中的瓶颈，并且 在很大程度上限制了脑．机接口的实际应用。提高信息传输率的主要途径之一是 将两个脑任务扩展到多个任务，研究与开发多任务脑．机接口。针对以上问题本 文提出了一种基于三类运动想象数据的多特征结合脑．机接口算法。 本算法运用小波包分解方法和共空域子空间分解方法分别提取相应的特 征，再将它们组合进行分类识别。首先将原始脑电数据分别进行三种不同的滤 波以获取不同脑电信号分量，随后运用小波包分解方法提取子带平均能量特征， 这其中通过选取最优小波包空间来降低子带平均能量特征的维数，提高特征质 量；共空域子空间分解方法则用来提取两种基本的电生理现象：运动相关电位 和事件相关去同步。然后运用Fisher判别分析分别将三个特征矢量降维，并将 它们组合在一起获得一个高质量的六维特征矢量。在此基础上，通过对比使用 不同分类器得到分类正确率的优劣，最终选择支持向量机作为本算法的分类器。 算法中所使用的数据均为三类想象运动：想象左手、想象右手和想象脚动。此 算法应用于五个受试者想象运动数据上并取得了理想的分类结果。实验结果表 明本算法具有分类识别率高、稳定性好、信息传输率快等特点。 关键词：脑．机接口；多特征结合；小波包分解；共空域子空间分解 Abstract ABSTRACT Lowinformationtransferrateandlow classificationareinherentina accuracy limitits binarybrain-computerinterface(BCI)andlargely practicalapplication．To informationtransfer is to ontheresearch improve speed，itnecessaryplaceemphasis ofmulti-taskBCIs．Toresolveabove amulti-feature problems，this paperproposes for combination motor EEGdatainathree—taskBCI． algorithmclassifyingimagery This utilizeswavelet common algorithm packetdecomposition(WPD)and spatial toextract subspacedecomposition(CSSD)respectivelycorrespondingfeature， then those to features EEGdataare combining classify．Firstly,rawpassedthrough threedifferentkindsoffilters toobtaindifferent ofEEG respectively components WPD isusedtoextractfeatureofthe ofsub