EMD和CSP融合最优波长空间滤波脑电特征提取方法

doi:10.3778/j.issn.1002-8331.1709-0021

计算机工程与应用 ›› 2018, Vol. 54 ›› Issue (24): 149-155.DOI: 10.3778/j.issn.1002-8331.1709-0021

EMD和CSP融合最优波长空间滤波脑电特征提取方法

张学军1，2，王龙强1，黄婉露1，黄丽亚1，2，成谢锋1，2

1.南京邮电大学电子与光学工程学院，南京 210023
2.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，南京 210023

出版日期:2018-12-15 发布日期:2018-12-14

EEG signals feature extraction based on EMD and CSP combined WOSF

ZHANG Xuejun1，2, WANG Longqiang1, HUANG Wanlu1, HUANG Liya1，2, CHENG Xiefeng1，2

1.School of Electronic and Optical Engineering, Nanjing University of Posts and Telecommunications, Nanjing 210023, China
2.Nation-Local Joint Project Engineering Lab of ＲF Integration ＆ Micropackage, Nanjing University of Posts and Telecommunications, Nanjing 210023, China

Online:2018-12-15 Published:2018-12-14

摘要/Abstract

摘要： 基于经验模式分解和共空间模式，结合最优波长空间滤波，提出了三者相结合的特征提取方法。该方法首先利用经验模式分解进行分解，得到固有模态函数，选择合适的固有模态函数进行信号的重构，然后将重构的信号进行最优波长空间滤波变换，得到最优的波长选择信号，再经共空间模式投影映射，提取相应的特征向量，最后利用支持向量机进行分类。运用该方法对9位受试者进行分类结果分析，平均分类准确率在95%以上，实验表明，提出的算法具有较好的分类识别性。

关键词: 经验模式分解, 共空间滤波模式, 最优波长空间滤波, 固有模态函数

Abstract: A feature extraction method based on Empirical Mode Decomposition（EMD）, Common Spatial Pattern（CSP） and Wavelength Optimal Spatial Filter（WOSF） is proposed, Firstly, the EMD is used to decompose the EEG signal, and get a set of stationary time series called Intrinsic Mode Functions（IMFs）. Secondly, selecting the appropriate IMFs for signal reconstruction, then the signal can be transformed into optimal signal through WOSF, the optimal signal is mapped to high-dimensional space through CSP, extracting the corresponding feature vector. Finally, the classification is performed using Support Vector Machine（SVM）. After analyzing the result of the 9 subjects, the average accuracy classification rate obtained is over 95%, confirming the feasibility and availability of this method.

Key words: Empirical Mode Decomposition（EMD）, Common Spatial Pattern（CSP）, Wavelength Optimal Spatial Filter（WOSF）, Intrinsic Mode Functions（IMF）

张学军1，2，王龙强1，黄婉露1，黄丽亚1，2，成谢锋1，2. EMD和CSP融合最优波长空间滤波脑电特征提取方法[J]. 计算机工程与应用, 2018, 54(24): 149-155.

ZHANG Xuejun1，2, WANG Longqiang1, HUANG Wanlu1, HUANG Liya1，2, CHENG Xiefeng1，2. EEG signals feature extraction based on EMD and CSP combined WOSF[J]. Computer Engineering and Applications, 2018, 54(24): 149-155.

[1]	陈明月，刘三阳. 自适应流形学习在故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(3): 247-252.
[2]	王霞1，王丹1，王光艳2，张艳1. 压缩感知与EMD相结合的带噪面罩语音增强[J]. 计算机工程与应用, 2017, 53(18): 137-140.
[3]	张学军 1，2，黄婉露1，黄丽亚1，2，成谢锋1，2. 公共空间模式算法结合经验模式分解的EEG特征提取[J]. 计算机工程与应用, 2017, 53(13): 9-15.
[4]	王卫朝1，石国良2，李晓2，金炜东2. 应用EMD熵和ReliefF分析高铁横向减振器故障[J]. 计算机工程与应用, 2016, 52(14): 226-231.
[5]	吴龙华1，朱嘉钢1，陆晓2. 抑制边缘效应的自适应单通道盲源分离[J]. 计算机工程与应用, 2016, 52(14): 130-135.
[6]	赵涛涛，杨鸿武. 结合EMD和加权Mel倒谱的语音共振峰提取算法[J]. 计算机工程与应用, 2015, 51(9): 207-212.
[7]	包广清，常勇，杨国金. 基于EMD阈值方法的轴承故障振动信号去噪[J]. 计算机工程与应用, 2015, 51(10): 205-210.
[8]	潘峥嵘，戴芮，张宁. 改进的基音周期检测算法研究[J]. 计算机工程与应用, 2015, 51(10): 223-226.
[9]	谢文俊1，2，齐蓉1，肖蕾3. 基于EMD方法的机电作动系统故障特征提取[J]. 计算机工程与应用, 2014, 50(3): 247-249.
[10]	李广琼，陈荣元. 基于EMD和自适应提升小波分析的图像增强[J]. 计算机工程与应用, 2014, 50(21): 195-199.
[11]	郭耸1，2，顾国昌2，李常有3，栾方军1，宋晓宇1. 利用EMD的自适应图像去噪[J]. 计算机工程与应用, 2013, 49(8): 12-16.
[12]	郭兴明，黄林洲. IMF复杂度特征在心音信号分类识别中的应用[J]. 计算机工程与应用, 2013, 49(21): 212-215.
[13]	王巍1，2，赵宏1，2，梁朝晖1，马涛1，2. 基于EMD和SVR的混合智能预测模型及实证研究[J]. 计算机工程与应用, 2012, 48(4): 225-227.
[14]	郭兴明¹，林辉杰¹，肖守中^1，2. 心音中医学指标的提取[J]. 计算机工程与应用, 2011, 47(3): 214-217.
[15]	吕建新1，吴虎胜2，田杰3. EEMD的非平稳信号降噪及其故障诊断应用[J]. 计算机工程与应用, 2011, 47(28): 223-227.

EMD和CSP融合最优波长空间滤波脑电特征提取方法

EEG signals feature extraction based on EMD and CSP combined WOSF

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics