《电子技术应用》
您所在的位置:首页 > 模拟设计 > 设计应用 > 基于支持向量机和PCA的脑电α波运动想象分类研究
基于支持向量机和PCA的脑电α波运动想象分类研究
2022年电子技术应用第6期
蔡 靖1,刘光达1,王尧尧1,宫晓宇2
1.吉林大学 仪器科学与电气工程学院,吉林 长春130012;2.吉林大学 教育技术中心,吉林 长春130061
摘要: 针对脑电信号(EEG)运动想象分类过程中弱相关特征量影响分类准确度的问题,提出一种筛选方法,该方法是基于α波和主成分分析(PCA)算法的。基于脑机接口(BCI)系统,通过听觉诱发刺激产生向左和向右两种运动想象任务对应的脑电信号,并对其做小波包分解处理,然后进行脑电α频段信号的重构,从而提取出α波形并对其进行统计特征提取。再结合PCA技术和支持向量机(SVM)方法,实现弱相关特征的剔除和特征分类。根据筛选后的数据进行分类,所得结果准确率更高,信号分类的准确度由90.1%提高至94.0%。
中图分类号: TN911.7;R318
文献标识码: A
DOI:10.16157/j.issn.0258-7998.211723
中文引用格式: 蔡靖,刘光达,王尧尧,等. 基于支持向量机和PCA的脑电α波运动想象分类研究[J].电子技术应用,2022,48(6):23-27.
英文引用格式: Cai Jing,Liu Guangda,Wang Yaoyao,et al. Classification of α wave motor imagery based on SVM and PCA[J]. Application of Electronic Technique,2022,48(6):23-27.
Classification of α wave motor imagery based on SVM and PCA
Cai Jing1,Liu Guangda1,Wang Yaoyao1,Gong Xiaoyu2
1.College of Instrumentation & Electrical Engineering,Jilin University,Changchun 130012,China; 2.Educational Technology Center,Jilin University,Changchun 130061,China
Abstract: A feature screening method based on alpha wave and principal component analysis was proposed to solve the problem that the weakly correlated feature quantity would affect the classification accuracy in EEG motor imagery classification. Based on brain computer interface system, the EEG signals corresponding to left and right motor imagination tasks were generated by auditory stimulation and processed by wavelet packet decomposition, and then the α band signals of the EEG were reconstructed, so as to extract the α waveforms and extract the statistical features. Combined with PCA technology and SVM method, the weak correlation features are eliminated and classified. According to the selected data, the accuracy of the results is higher, and the accuracy of signal classification is improved from 90.1% to 94.0%.
Key words : wavelet packet decomposition;SVM;motor imagery;PCA;EEG

0 引言

    脑电信号EEG是大脑中神经元产生的生物电[1],不同的运动想象活动中,大脑释放不同的脑电信号[2]。脑电波按频率大小分为五大类:α波(8~14 Hz)、β波(14~30 Hz)、θ波(4~8 Hz)、δ波(4 Hz以下)和γ波(30 Hz以上)[3]。本文对脑电信号进行小波分解并提取α波[4],计算α波的多个信号特征,利用PCA技术筛选出强相关特征量,运用支持向量机进行运动想象分类[5]。通过实验发现运用小波包变换和PCA技术后的分类准确率明显提高。




本文详细内容请下载:http://www.chinaaet.com/resource/share/2000004413




作者信息:

蔡  靖1,刘光达1,王尧尧1,宫晓宇2

(1.吉林大学 仪器科学与电气工程学院,吉林 长春130012;2.吉林大学 教育技术中心,吉林 长春130061)




wd.jpg

此内容为AET网站原创,未经授权禁止转载。