思维作业脑电的IMF能量熵特征提取与分类研究

doi:10.3778/j.issn.1002-8331.2009.28.038

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (28): 128-130.DOI: 10.3778/j.issn.1002-8331.2009.28.038

• 数据库、信号与信息处理 • 上一篇下一篇

思维作业脑电的IMF能量熵特征提取与分类研究

李营^1，2，艾玲梅¹，马苗¹

1.陕西师范大学计算机科学学院，西安 710062
2.淮南师范学院计算机与信息工程系，安徽淮南 232038

收稿日期:2009-03-24 修回日期:2009-05-25 出版日期:2009-10-01 发布日期:2009-10-01
通讯作者: 李营

Feature extraction and classification study with energy entropy of IMFs to different mental tasks in EEG

LI Ying^1，2，AI Ling-mei¹，MA Miao¹

1.College of Computer Science，Shaanxi Normal University，Xi’an 710062，China
2.Department of Computer and Information Engineering，Huainan Normal University，Huainan，Anhui 232038，China

Received:2009-03-24 Revised:2009-05-25 Online:2009-10-01 Published:2009-10-01
Contact: LI Ying

摘要/Abstract

摘要： 提出了一种基于固有模态函数（Intrinsic Mode Function，IMF）能量熵的特征提取方法。对三类脑电思维信号分别进行了经验模态分解（Empirical Mode Decomposition，EMD），并得到与其相对应的IMF。试验发现对于不同类别的信号，同阶的IMF能量的判别熵有明显的不同。而采用K-近邻分类器对三类脑电信号进行了分类，发现基于最佳特征向量选择的分类试验的平均正确识别率达75%以上。

关键词: 固有模态函数, 脑电信号, 经验模态分解, 特征提取, K-近邻分类器

Abstract: A new feature extraction and selection method based on the energy entropy of Intrinsic Mode Functions（IMFs） is presented.Three types of different mental tasks in EEG signals radiated from the targets are decomposed into their respective IMFs using the Empirical Mode Decomposition（EMD） procedure，and the energies of the same IMF of three types of signals are different.The energy entropies of the IMFs are calculated.K-neighbor classifier is used for classification experiments for three types of signals.The results show that the correct identification ratio of experiments above 75%.

Key words: Intrinsic Mode Function（IMF）, EEG, Empirical Mode Decomposition（EMD）, feature extraction, K Nearest Neighbors（KNN）

中图分类号:

TP391

李营^1，2，艾玲梅¹，马苗¹. 思维作业脑电的IMF能量熵特征提取与分类研究[J]. 计算机工程与应用, 2009, 45(28): 128-130.

LI Ying^1，2，AI Ling-mei¹，MA Miao¹. Feature extraction and classification study with energy entropy of IMFs to different mental tasks in EEG[J]. Computer Engineering and Applications, 2009, 45(28): 128-130.

[1]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[2]	许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述[J]. 计算机工程与应用, 2021, 57(8): 10-25.
[3]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[4]	张晓丽，张魁星，江梅，魏本征，丛金玉. 淋巴瘤图像分类技术研究综述[J]. 计算机工程与应用, 2021, 57(6): 1-9.
[5]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[6]	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.
[7]	姚洪刚，沐年国. EMD-LSTM模型对金融时间序列的预测[J]. 计算机工程与应用, 2021, 57(5): 239-244.
[8]	熊健，覃仁超，何梦乙，刘建兰，唐风扬. 改进随机森林在Android恶意软件检测中的应用[J]. 计算机工程与应用, 2021, 57(3): 130-136.
[9]	易灵芝，王仕通，易芳，邓栋，易志敏，姜鹏. 基于EEMDSE-ILSTM的风电场超短期风速预测[J]. 计算机工程与应用, 2021, 57(22): 288-294.
[10]	李龙龙，何东健，王美丽. 基于改进型LBP算法的植物叶片图像识别研究[J]. 计算机工程与应用, 2021, 57(19): 228-234.
[11]	李杰，李苗，袁细国. 面向新一代测序数据的病原微生物检测算法[J]. 计算机工程与应用, 2021, 57(19): 282-289.
[12]	郭恒光，刘文彪，余仁波. 用于形状特征提取的spike函数[J]. 计算机工程与应用, 2021, 57(18): 220-226.
[13]	李振强，王树才，赵世达，白宇. 改进DeepLabv3+和XGBoost的羊骨架切割方法[J]. 计算机工程与应用, 2021, 57(18): 263-269.
[14]	刘星辰，贾俊铖，张莉，胡沁涵. 图像超分辨率特征浓缩网络[J]. 计算机工程与应用, 2021, 57(16): 213-219.
[15]	光睿智，安博文，潘胜达. 基于无锚框网络的航拍航道船舶检测算法[J]. 计算机工程与应用, 2021, 57(15): 251-258.

思维作业脑电的IMF能量熵特征提取与分类研究

Feature extraction and classification study with energy entropy of IMFs to different mental tasks in EEG

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