基于异方差混合转移分布模型和支持向量机的脑电分类研究.pdfVIP

Vol. 31 No.3 31 卷 3 期 中国生物医掌工程掌报 June 2012 2012 年6 月 Chine.e Jourηal of 8iomedical Engineering 基于异方差混合转移分布模型和支持向量机的脑电分类研究 韩敏1 • 葛素楠1 洪晓军2 I (大连理工大学电子信息与电气工程学部.大连 IIω23) 气大连医科大学附属第一医院，大连 116011 ) 摘 要:为解决线性分析和单一非线性动力学指标方法无法准确描述脑电信号的问题，本研究提出基于异方差混 合转移分布模型脑电特征提取方法。首先对采集到的脑电信号依据条件期望最大化(ECM) 算法建立异方差混合 转移分布模型，求得模型条件方差序列的均值及方差作为脑电信号的特征，将得到的脑电信号特征采用支持向量 机进行分类。通过对6 个人的正常脑电信号和带有眼电伪迹脑电信号进行分类仿真实验，其结果表明该方法能很 好地拟合出脑电信号，且分类精确度能达到99.1667% ，说明此方法可有效提取脑电特征并准确识别出眼电伪迹。 关键词:脑电信号:跟电伪迹:异方差混合转移模型;特征提取5 支持向量机 中阁分类号 盯18.08 文献标志码 D 文章编号。258-8021 (2012)03 ..Q476 oÖ5 Classit1cation of EEG Signal Based on Heteroscedastic Mixture Transition Distribution Model and Support Vector Machine HAN Min ,. GE Su-Nan HONG Xiao-Jun 1 I (School ，旷 Electronic arul Ir甘iJnna阳n Engineering. Dalian Uni四周臼y ofTechnology. Dalian. 116023. China) 气Firsl Affilialed Ho.p阳I of Dalian M.dical Unw.n仰， DaIi611 116011 , China) Key words: EEG; ocular artifact; heteroscedastic mixture transiton distribution model; feature extraction; support vector machine 目前，国内外学者通常采用独立分量分析方 引言 法(2) 实现伪迹去除，并取得了一定成果。独立分量 脑电图能够客观反应大脑的机能状态，且操作 分析方法运算时间较长，容易陷入局部发散，因此难 以用于长程脑电信号的伪迹识别[3J 和去除。在此 无创伤，并具有高时间分辨率的性质，因此广泛用于 脑部疾病的诊断。而实际上脑电信号非常微弱[1] ， 采用两步式的伪迹去除方法:首先对脑电信号进行 伪迹识别，经识别出伪迹成分再运用独立分量分析 在采集过程中，由眼睛的眨动和咀嚼、出汗、心跳及