基于支持向量機和PCA的腦電α波運動想象分類研究
2022年電子技術應用第6期
蔡 靖1，劉光達1，王堯堯1，宮曉宇2
1.吉林大學 儀器科學與電氣工程學院，吉林 長春130012；2.吉林大學 教育技術中心，吉林 長春130061
摘要： 針對腦電信號(EEG)運動想象分類過程中弱相關特征量影響分類準確度的問題，提出一種篩選方法，該方法是基于α波和主成分分析(PCA)算法的?；谀X機接口(BCI)系統(tǒng)，通過聽覺誘發(fā)刺激產生向左和向右兩種運動想象任務對應的腦電信號，并對其做小波包分解處理，然后進行腦電α頻段信號的重構，從而提取出α波形并對其進行統(tǒng)計特征提取。再結合PCA技術和支持向量機(SVM)方法，實現(xiàn)弱相關特征的剔除和特征分類。根據(jù)篩選后的數(shù)據(jù)進行分類，所得結果準確率更高，信號分類的準確度由90.1%提高至94.0%。
中圖分類號： TN911.7；R318
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.211723
中文引用格式： 蔡靖，劉光達，王堯堯，等. 基于支持向量機和PCA的腦電α波運動想象分類研究[J].電子技術應用，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.
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.211723
中文引用格式： 蔡靖，劉光達，王堯堯，等. 基于支持向量機和PCA的腦電α波運動想象分類研究[J].電子技術應用，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
腦電信號EEG是大腦中神經元產生的生物電[1]，不同的運動想象活動中，大腦釋放不同的腦電信號[2]。腦電波按頻率大小分為五大類：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]。本文對腦電信號進行小波分解并提取α波[4]，計算α波的多個信號特征，利用PCA技術篩選出強相關特征量，運用支持向量機進行運動想象分類[5]。通過實驗發(fā)現(xiàn)運用小波包變換和PCA技術后的分類準確率明顯提高。
本文詳細內容請下載：http://www.rjjo.cn/resource/share/2000004413。
作者信息：
蔡 靖1，劉光達1，王堯堯1，宮曉宇2
(1.吉林大學 儀器科學與電氣工程學院，吉林 長春130012；2.吉林大學 教育技術中心，吉林 長春130061)
此內容為AET網站原創(chuàng)，未經授權禁止轉載。