基于总体经验模态分解的多类特征的运动想象脑电识别方法研究

人的脑电信号（Electroencephalogram,EEG）复杂且具有非线性及非平稳性的特点使其不易分析处理,其识别效果也依赖于数据集的不同,而表现不稳定.本文中应用的总体经验模态分解（Ensemble empirical mode decomposition,EEMD）是一种具有强自适应性的信号处理方法,其在时频域展现的良好分辨率特别适合脑电识别任务处理.本文提出利用EEMD分解后得到的较具影响能力的固有模态函数（Intrinsic mode functions,IMFs）,利用希尔伯特变换提取边际谱（Marginal spectrum,MS）及瞬时能谱（Instantaneous en...

Full description

Saved in:
Bibliographic Details
Published in自动化学报 Vol. 43; no. 5; pp. 743 - 752
Main Author 杨默涵 陈万忠 李明阳
Format Journal Article
LanguageChinese
Published 吉林大学通信工程学院分布式智能信息处理实验室 长春 130025 2017
Subjects
总体经验模态分解
线性判别分类器
脑电信号
运动想象
运动想象
ensemble empirical mode decomposition (EEMD)
linear dis-criminant analysis (LDA)
脑电信号
总体经验模态分解
motor image
Electroencephalogram (EEG)
线性判别分类器
Online AccessGet full text
ISSN0254-4156
1874-1029
DOI10.16383/j.aas.2017.c160175

Cover

More Information
Summary:人的脑电信号（Electroencephalogram,EEG）复杂且具有非线性及非平稳性的特点使其不易分析处理,其识别效果也依赖于数据集的不同,而表现不稳定.本文中应用的总体经验模态分解（Ensemble empirical mode decomposition,EEMD）是一种具有强自适应性的信号处理方法,其在时频域展现的良好分辨率特别适合脑电识别任务处理.本文提出利用EEMD分解后得到的较具影响能力的固有模态函数（Intrinsic mode functions,IMFs）,利用希尔伯特变换提取边际谱（Marginal spectrum,MS）及瞬时能谱（Instantaneous energy spectrum,IES）时频特征,同时通过加窗的方法提取非线性动力学特征近似熵特征,利用线性判别分类器（Linear discriminant analysis,LDA）作为分类器,实验结果得出,对于被试S2和被试S3可达到识别率分别为79.60%和87.77%,实验中9名被试的平均识别率为82.74%,得到平均识别率也高于近期使用相同数据集文献的其他方法.
Bibliography:Electroencephalogram （EEG）, motor image, ensemble empirical mode decomposition （EEMD）, linear discriminant analysis （LDA）
YANG Mo-Han1 ,CHEN Wan-Zhong1 ,LI Ming-Yang1（ 1. Distributed Intelligent Information Processing Laboratory, College of Communication Engineering, Jilin University, Changchun 130025）
11-2109/TP
EEG signals are complicated as well as nonlinear and non-stationary, which make them hard to analyze. Recognition result is dependent on the datasets selected, and is not stable. The ensemble empirical mode decomposition （EEMD） as a kind of adaptive signal processing method is used for motor imagery recognition tasks because of its good decomposition resolution. An efficient EEMD-based feature extraction scheme is presented, which combines the Hilbert marginal spectrum （MS） and instantaneous energy spectrum （IES） features with window-added EEMD-based approximate entropy （ApEn） features. The impactful factors of IMFs and frequency bands are selected for the features as well. A linear discriminant analysi
ISSN:0254-4156
1874-1029
DOI:10.16383/j.aas.2017.c160175