公共空间模式算法结合经验模式分解的EEG特征提取

doi:10.3778/j.issn.1002-8331.1703-0199

计算机工程与应用 ›› 2017, Vol. 53 ›› Issue (13): 9-15.DOI: 10.3778/j.issn.1002-8331.1703-0199

公共空间模式算法结合经验模式分解的EEG特征提取

张学军 1，2，黄婉露1，黄丽亚1，2，成谢锋1，2

1.南京邮电大学电子科学与工程学院，南京 210023
2.江苏省射频集成与微组装工程实验室，南京 210023

出版日期:2017-07-01 发布日期:2017-07-12

EEG signals feature extraction combined with empirical mode decomposition and common spatial pattern

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

1.School of Electronic Science and Engineering, Nanjing University of Posts and Telecommunications, Nanjing 210023, China
2.Jiangsu Province Engineering Lab of RF Integration & Micropackage, Nanjing 210023, China

Online:2017-07-01 Published:2017-07-12

摘要/Abstract

摘要： 常规的公共空间模式分解方法需要大量的输入通道、缺乏频域信息，发展受到限制。为了克服以上缺点，将经验模式分解（Empirical Mode Decomposition，EMD）和公共空间模式算法结合，改变CSP滤波器成分选择方式，提出EMD-CSP算法来获取特征向量。该算法对预处理后的信号进行经验模式（EMD）分解，得到固有模态函数（Intrinsic Mode Functions，IMFs），观察并计算每个IMF分量的能量谱，筛选有效的IMF频段（5~28 Hz），使用改进的CSP滤波器进行滤波获取特征，最后使用支持向量机（Support Vector Machine，SVM）进行分类。分类结果得到9位受试的想象运动平均分类正确率为92%，证实了该算法的可行性与有效性。

关键词: 脑电信号, 经验模式分解, 公共空间模式分解

Abstract: Normal Common Spatial Pattern（CSP） method is restricted to the abundant input channels and lacking frequency information. This paper puts forward an improved CSP method combined with the Empirical Mode Decomposition（EMD-CSP） to achieving feature vector by a different component choice. Firstly, the EMD method is proposed to decompose the EEG signal into a set of stationary time series called Intrinsic Mode Functions（IMF）. Secondly, these IMFs are analyzed with the band-power to detect the valuable IMFs with characteristics of sensorimotor rhythms（5~28 Hz）, and then the improved CSP filter is attached to the feature extraction of screening IMFs. Finally, once the feature vector is built, the classification of MI is performed using Support Vector Machine（SVM）. The results obtained show that the EMD-CSP allow the most reliable features and that the accurate classification rate obtained is 92% which confirms the feasibility and availability of this method.

Key words: Electroencephalogram（EEG）, Empirical Mode Decomposition（EMD）, Common Spatial Pattern（CSP）

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.

ZHANG Xuejun1，2, HUANG Wanlu1, HUANG Liya1，2, CHENG Xiefeng1，2. EEG signals feature extraction combined with empirical mode decomposition and common spatial pattern[J]. Computer Engineering and Applications, 2017, 53(13): 9-15.

[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]	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.
[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.

公共空间模式算法结合经验模式分解的EEG特征提取

EEG signals feature extraction combined with empirical mode decomposition and common spatial pattern

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