基于Hilbert-Huang变换的目标注视脑电模式分类研究

doi:10.3778/j.issn.1002-8331.2009.21.061

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (21): 212-214.DOI: 10.3778/j.issn.1002-8331.2009.21.061

基于Hilbert-Huang变换的目标注视脑电模式分类研究

周丽霞¹，范影乐¹，李轶^1，2

1.杭州电子科技大学生物医学工程与仪器研究所，杭州 310018
2.浙江大学生物医学工程与仪器学院，杭州 310027

收稿日期:2008-04-21 修回日期:2008-07-11 出版日期:2009-07-21 发布日期:2009-07-21
通讯作者: 周丽霞

Study of objective visual EEG mode classification based on Hilbert-Huang transform

ZHOU Li-xia¹，FAN Ying-le¹，LI Yi ^1，2

1.Institute of Biomedical Engineering and Instrument，Hangzhou Dianzi University，Hangzhou 310018，China
2.Institute of Biomedical Engineering and Instrument，Zhejiang University，Hangzhou 310027，China

Received:2008-04-21 Revised:2008-07-11 Online:2009-07-21 Published:2009-07-21
Contact: ZHOU Li-xia

摘要/Abstract

摘要： 研究目标注视任务，即类“思维拨号”任务下的脑电信号模式自动分类技术。基于时频分析原理，对循环扫视6×6字符矩阵所得的脑电信号进行Hilbert-Huang变换，用EMD（Empirical Mode Decomposition）方法把信号分解成数个本征模态函数（Intrinsic Mode Function，IMF）；对每个IMF进行Hilbert变换，得到时频平面上的能量分布，即Hilbert谱；将各频率分量累加谱按时间变化特性作为关注与非关注某字符的特征量；最后通过K-近邻法对所视字符进行自动识别。对第3届国际脑机接口竞赛的数据进行分析测试，识别准确率达到84.21%。经Hilbert-Huang变换的时频分析方法，可以得到目标注视任务下的脑电信号有效特征，从而有助于脑机接口系统的实际应用。

关键词: Hilbert-Huang变换, 脑电信号, P300, 固有模态函数, 事件相关

Abstract: A research of automatic classification of visual objective is made.A new application of Hilbert-Huang transform method to a character matrix（6 by 6） is presented which is scanned repeadly.With the EMD method，the original signal is decomposed into several intrisic mode functions.With the Hilbert transform，energy-frequency distribution is computed to decide which character is imaged.Finally the pattern recognition method of nearest neighbors is applied to optimal classification.The experiment data from 3rd BCI competition is analyzed，and classification is made.The mean classification accuracy is up to 84.21%.Based on the Hilbert-Huang transform of EEG signals，the classification of character which is imaged can be made effectively，which will help to develop the BCI system.

Key words: Hilbert-Huang transform, Electro Encephalogram（EEG）, P300, intrinsic mode function, event-relative

周丽霞¹，范影乐¹，李轶^1，2. 基于Hilbert-Huang变换的目标注视脑电模式分类研究
[J]. 计算机工程与应用, 2009, 45(21): 212-214.

ZHOU Li-xia¹，FAN Ying-le¹，LI Yi ^1，2. Study of objective visual EEG mode classification based on Hilbert-Huang transform[J]. Computer Engineering and Applications, 2009, 45(21): 212-214.

[1]	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.
[2]	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.
[3]	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.
[4]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	苗立志1，2，3，徐韬4，郭静4，焦东来1，2，3. 人脑电信号实时监测原型系统设计与实现[J]. 计算机工程与应用, 2019, 55(2): 236-239.
[14]	陈景霞，王丽艳，贾小云，张鹏伟. 基于深度卷积神经网络的脑电信号情感识别[J]. 计算机工程与应用, 2019, 55(18): 103-110.
[15]	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.

基于Hilbert-Huang变换的目标注视脑电模式分类研究

Study of objective visual EEG mode classification based on Hilbert-Huang transform

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