计算机技术与发展2020，Vol.30Issue(11) ：136-141.DOI:10.3969/j.issn.1673-629X.2020.11.025

EMD融合WPT和CSP的脑电特征提取方法

EEG Feature Extraction of EMD Fusing WPT and CSP

张学军 刘定宇 霍延
计算机技术与发展2020，Vol.30Issue(11) ：136-141.DOI:10.3969/j.issn.1673-629X.2020.11.025
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 维普
  • 万方数据

EMD融合WPT和CSP的脑电特征提取方法

EEG Feature Extraction of EMD Fusing WPT and CSP

张学军 1刘定宇 2霍延2
扫码查看

作者信息

  • 1. 南京邮电大学 电子与光学工程学院、微电子学院,江苏 南京 210023;南京邮电大学 射频集成与微组装技术国家地方联合工程实验室,江苏 南京 210023
  • 2. 南京邮电大学 电子与光学工程学院、微电子学院,江苏 南京 210023
  • 折叠

摘要

脑-机接口(brain-computer interface,BCI)技术在近几十年取得了极大发展,尤其在运动障碍患者的康复训练中得到了大量的应用.脑-机接口技术包含信号采集、预处理、特征提取、分类以及外部设备控制几个部分.其中,如何更好地对信号进行特征提取并准确分类一直都是人们重点关注的问题.该文提出了一种新的特征提取算法分析运动想象(motor imagery,MI)产生的脑电波(electroencephalogram,EEG)信号,主要基于经验模式分解(empirical mode decomposition,EMD),并结合小波包变换(wavelet packet transform,WPT)和公共空间模式(common spatial pattern,CSP).首先利用WPT将EEG信号分解为一组窄带信号并通过EMD得到相关的固有模态函数(intrinsic mode functions,IMFs),然后对每个窄带信号的IMF进行筛选,再运用CSP滤波器进行滤波获取特征,最后使用支持向量机(support vector machine,SVM)进行分类.实验应用该方法对9名受试者的运动想象脑电信号进行分类,平均准确率达95.9％,证明了该方法的可行性和有效性.

关键词

脑-机接口/运动想象/经验模式分解/小波包变换/公共空间模式

引用本文复制引用

基金项目

国家自然科学基金(61271334)

出版年

2020
计算机技术与发展
陕西省计算机学会

计算机技术与发展

CSTPCD
影响因子：0.621
ISSN：1673-629X
参考文献量6
段落导航相关论文