首页|基于粒子群优化支持向量机康复下肢外骨骼的脑电控制研究

基于粒子群优化支持向量机康复下肢外骨骼的脑电控制研究

扫码查看
原文链接
  • 万方数据
  • 维普
为解决失能人群自主移动的问题,脑机接口(brain computer interface,BCI)已广泛应用于外骨骼领域,但脑电(electro-encephalogram,EEG)信号因信噪比低等原因导致识别率一直难以提高.为提高基于脑机接口下肢外骨骼的信号识别率,采用粒子群优化支持向量机(particle swarm optimization-support vector machine,PSO-SVM)算法提高脑电信号识别率,取得了86.52％的脑电信号识别率.首先建立共空间模式(common spatial pattern,CSP)数学模型对脑电信号进行特征提取,随后建立基于粒子群优化的支持向量机分类模型,优化脑电信号分类关键参数,将最终的实验数据与传统的支持向量机分类方法比较,最后进行算法的验证及下肢外骨骼实验.实验结果表明:经过粒子群优化的支持向量机分类准确明显高于传统支持向量机分类.所提出粒子群优化支持向量机对脑电信号的特征识别方法可实现运动想象(motor imagery,MI)的精确识别,为脑机接口技术在康复外骨骼领域的应用提供理论基础和技术支持.
Motor Imagery Classification Based on PSO-SVM and Its BCI Control in Lower Limb Exoskeleton

毕文龙、魏笑、谭草、赵彦峻、刘文龙

展开 >

山东理工大学机械工程学院,淄博255049

山东省精密制造与特种加工重点实验室,淄博255049

运动想象(MI) 脑电信号(EEG) 支持向量机(SVM) 特征识别 下肢外骨骼

国家自然科学基金国家自然科学基金青年科学基金山东省高等学校科技计划项目

5190531951505263J15LB08

2023

科学技术与工程
中国技术经济学会

科学技术与工程

CSTPCD北大核心
影响因子：0.338
ISSN：1671-1815
年,卷(期)：2023.23(16)
  • 1
  • 6