基于公共空间频率模型的脑电数据分类

doi:10.3778/j.issn.1002-8331.2008.20.048

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (20): 159-161.DOI: 10.3778/j.issn.1002-8331.2008.20.048

• 数据库、信号与信息处理 • 上一篇下一篇

基于公共空间频率模型的脑电数据分类

唐艳¹,汤井田¹,龚安栋^1,2

1.中南大学信息物理学院，长沙 410083
2.中南大学信息科学与工程学院，长沙 410083

收稿日期:2007-10-09 修回日期:2008-01-21 出版日期:2008-07-11 发布日期:2008-07-11
通讯作者: 唐艳

Classifying EEG signals based on CSSP

TANG Yan¹,TANG Jing-tian¹,GONG An-dong^1,2

1.Department of Info-Physics Engineering，Central South University，Changsha 410083，China
2.Department of Information Science and Engineering，Central South University，Changsha 410083，China

Received:2007-10-09 Revised:2008-01-21 Online:2008-07-11 Published:2008-07-11
Contact: TANG Yan

摘要/Abstract

摘要： 利用公共空间频率模型算法实现较少训练数据的脑电识别。首先给出公共空间频率模型算法的数学公式和求解过程，然后从数学分析角度说明表达实质含义，以及如何实现空间和频率上的同时滤波；再对于提取出来的特征，如何构造分类器，进行分类；最后用BCI Competition III的Iva数据包为数据源，证明了公共空间频率模型算法在BCI的实用性，能够达到更好的识别效果。

关键词: 脑机接口, 公共空间模型, 公共空间频率模型, 脑电信号

Abstract: The CSSP algorithm is presented to classify EEG signal with small training sets.Firstly，the CSSP algorithm is introduced with an elaborate description，and is illuminated how extract features in space and spectra.We present the method how to form the classifier.After a short description of this algorithm，we will apply it in data set Iva of BCI Competition III to prove the algorithm feasibility.The result illustrates the performance and validity of the algorithm.

Key words: Brain-Computer Interface（BCI）, Common Spatial Patterns（CSSP）, Common Spatio-Spectral Patterns（CSP）, Electroencephalogram

唐艳¹,汤井田¹,龚安栋^1,2. 基于公共空间频率模型的脑电数据分类[J]. 计算机工程与应用, 2008, 44(20): 159-161.

TANG Yan¹,TANG Jing-tian¹,GONG An-dong^1,2. Classifying EEG signals based on CSSP[J]. Computer Engineering and Applications, 2008, 44(20): 159-161.

[1]	乔敏，张德雨，刘思宇，闫天翼，相洁. 新颖的稳态视觉诱发电位脑机接口系统[J]. 计算机工程与应用, 2021, 57(8): 153-159.
[2]	蔡冬丽，钟清华，朱永升，廖金湘，韩劢之. 三维输入卷积神经网络脑电信号情感识别[J]. 计算机工程与应用, 2021, 57(5): 161-167.
[3]	李子杏，兰珍，唐邓清，闫超，相晓嘉，周晗. 基于ERP信号的目标检测研究综述[J]. 计算机工程与应用, 2021, 57(23): 37-49.
[4]	谭学敏，郭超. 半监督学习的运动想象脑电信号分类[J]. 计算机工程与应用, 2020, 56(3): 139-145.
[5]	沈潇童，毕卉，王苏弘，李文杰，邹凌. 抑郁症患者脑电导联选择算法及分类研究[J]. 计算机工程与应用, 2020, 56(22): 154-159.
[6]	周奕隽，李冬冬，王喆，高大启. 融合倒谱特征的脑电（EEG）情感分类[J]. 计算机工程与应用, 2020, 56(21): 164-169.
[7]	杜轻，辛守庭，雷新宇，于海涛. 基于脑网络和TSK模糊系统的癫痫脑电识别[J]. 计算机工程与应用, 2020, 56(2): 133-140.
[8]	周元，于明，黄炜嘉，李效龙. 能量熵与峰值窗口结合去除眼电伪迹研究[J]. 计算机工程与应用, 2020, 56(19): 168-175.
[9]	陈景霞，郝为，张鹏伟，谢佳. RSVP与SSVEP混合脑电信号刺激与多类事件检测[J]. 计算机工程与应用, 2020, 56(15): 132-139.
[10]	朱悦，李春光，郭浩，祝宇飞，孙立宁. 运动想象的机理研究与应用综述[J]. 计算机工程与应用, 2020, 56(10): 10-19.
[11]	李世丹，朱晓军. 基于递归定量分析的视听脑电应用研究[J]. 计算机工程与应用, 2019, 55(9): 107-111.
[12]	张雪英，王薇蓉，孙颖，宋春晓. 面向脑电情感识别的改进多分类RVM模型研究[J]. 计算机工程与应用, 2019, 55(9): 112-117.
[13]	胡章芳，崔婷婷，罗元，张毅，魏博. 基于CBLSTM算法的脑电信号特征分类[J]. 计算机工程与应用, 2019, 55(24): 110-116.
[14]	李佩珍，王彬，牛焱，田程，相洁. 基于功能连接信息熵的精神分裂症EEG分类研究[J]. 计算机工程与应用, 2019, 55(22): 239-244.
[15]	田莉莉，邹俊忠，张见，卫作臣，汪春梅. 基于改进的卷积神经网络脑电信号情感识别[J]. 计算机工程与应用, 2019, 55(22): 99-105.

基于公共空间频率模型的脑电数据分类

Classifying EEG signals based on CSSP

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