软件时空
中文核心期刊<微计算机信息:}(管控一体化)2008年第24卷第6·3期
文章编号:1∞籼570(2∞8)06-3_0266_02
脑机接口系统中E
E
G信号特征提取与分类
Feature
E)(traction
and
c|assi矗cation
for
EEG
in
Brain—C0mputer|nterface
浒昌学院)葛瑜杨钢
GE
Yu
YANG
Gang
摘要:脑机接口(BcI)技术是近年来国际上的研究热点之一,它通常利用脑电(EEG)来实现无动作的人机交互,运动想象是其
中一种重要BCI实验范式,利用第二届国际脑机接口竞赛中的一组实验数据为处理对象,将数据经公共空间模式滤波、小
波时频分解、然后采用T加权提取最后特征,并利用支持向量机进行分类器设计。实验结果表明,该算法效果较好,最终识
别正确率达到89.3%。
关键词:运动想象(MI);公共空间模式(CSP):支持向量机(SⅥ旧
中图分类号:TP391.4
文献识别码:A
A蛔tr锄ct:Brain—computer
intedhce(BCI)is
one
l【ind
of
techniques
on
which
ITlore
and
mo陀inte陀st
h船been
put
by
the
intemational肥一
searchers
recendy.By
using
electr_oencephalogmm,BCI
establishes
the
interfaces
between
human
and
computer,in
which
motor
imagery
is
an
important
experimental
paradigm.In
this
paper’the
dataset
f而m
BCI
Competition
II is
analyzed
using
tIle
a190ritIlm
designed
thmugh
common
8patial
pattem
filter,continuous
wavelet仃ansfo珊decomposes,tllen
to
use
the
T—weigllted
ex仃action
final
chamcteristic,and
using
support
vector
machines
to
design
the
classifier.By
means
of
the
above叩proaches,better
cl鹊sification
results
ar;e
ob协ined.,11le
result
on
testing
set
revealed
an
accuracy
of
89.3%for
class币cation.
Key
words:brain—computer
interface(BCI);electmencepllalo掣黼(EEG);motor
imagery㈣;伽哪l咖叩鲥m肼嘣晒m
(CSP);support
v凹tor
m觚hin嚣(SⅥ田
引言
近些年来,脑机接口(Bmin—computer
Interac“on,BcI)技术
的研究在国际上引起了广泛的兴趣并获得了快速的发展。它利
用脑电(electmencephalogram,EEG)来实现无动作的人机交互,
可以为神经肌肉损伤患者提供一种不依赖正常的外周神经和
肌肉输出通道的新的通讯T具。举例来说,患者通过BcI系统。
可以利用自己的运动想象(Motor
Imagery,MI)直接操控轮椅、神
经假肢,甚至使用计算机。BcI研究具有重要的社会价值和应
用前景。
运动想象是利用自发脑电信号实现无动作人机交互的一种
重要BcI实验范式,本文所处理的是第二届国际脑一机接口竞赛
第Ⅲ组数据。具体的实验设计原理和方法将在下文巾的实验介
绍中详细阐述。大量T作表明,基于公共空间模式(common
spatial
Pattem,csP)的方法对基于事件相关去同步的运动相关
电位的信号特征提取具有很好的分离效果。但是由于EEc信号
信噪比很低,单纯依靠csP提取特征是不够的,还需要利用数
据驱动的方法作进一步处理.从数据中提取特征规律。实验结果
表明本文算法提取的特征可分度较好,利于分类器设计。
支持向量机(support
Vector
Machines,svM),是在高维特征
空间使用线性函数假设空间的学习系统,该方法已成功应用于
多维模式识别的分类和回归。近些年来,研究人员开始将其应
用于事件相关的EEG信号的处理,同样取得了比较理想的分
类效果。我们将该算法应用于运动想象实验范式,算法性能较
为突出,在小样本的情况下识别正确率较高。
葛瑜:硕士研究生讲师
1运动想象实验
实验中.被试是一名健康女性.坐在椅子上处于放松状态。
她的任务是根据屏幕上的随机提示.通过想象左右手的运动来
控制光标左右移动。实验一共进行7轮,每轮包括40个实验,7
轮实验都在同一天进行,期间有几分钟的休息间隔。每个实验
记录长度为9s。前2s为预备期.在第3s时出现向左或向右的
箭头提示,被试按照提示要求想象左右手运动来控制屏幕上光
标左右移动。所有数据通过3个电极记录.采样频率为128Hz,
最终数据由140个已知类别的训练样本和140个未知类别的
测试样本组成。
2数据处理
实验采集到的是EEG信号,由于信噪比较低,所以数据处
理过程较为复杂。基本环节由数据预处理、特征提取和svM分
类器设计这三个方面组成。
2.1数据预处理
首先将原始数据经过2.5~25Hz带通滤波。由于运动想象
发生在第3秒后。所以只截取后6秒的数据进行处理。将其中
140个已知标识的样本作为训练集,另外140个未知标识的样
本作为测试集。利用已知的标识将训练集两类样本进行分离,
得到最终的训练集样本矩阵。
2.2特征提取
特征提取分为三步,首先是cSP滤波,接下来是连续小波
(continuous
Wavelet
1'ransfonIl,cwI)分析,最后采用T加权方法
提取特征。
一266—360元,年邮局订阅号:82-946
万方数据
评论2
最新资源