基于AR模型的脑－机接口问题研究

doi:10.3778/j.issn.1002-8331.2009.01.047

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (1): 149-152.DOI: 10.3778/j.issn.1002-8331.2009.01.047

• 数据库、信号与信息处理 • 上一篇下一篇

基于AR模型的脑－机接口问题研究

唐艳,柳建新,邹清

中南大学信息物理学院生物医学研究所，长沙 410083

收稿日期:2008-07-03 修回日期:2008-09-02 出版日期:2009-01-01 发布日期:2009-01-01
通讯作者: 唐艳

Research on brain-computer interface based on AR

TANG Yan,LIU Jian-xin,ZOU Qing

Institute of Biomedical Engineering，Central South University，Changsha 410083，China

Received:2008-07-03 Revised:2008-09-02 Online:2009-01-01 Published:2009-01-01
Contact: TANG Yan

摘要/Abstract

摘要： 在脑一机接口的研究中分类识别技术占有重要地位。将脑电信号中事件去同步化/相同步化现象作为特征信息，深入讨论基于AR模型的自适应算法（AAR）和多变量参数AAR模型算法（MVAAR）在脑电信号特征提取中的应用。结合三种分类器，对这两种算法进行了比较，实验证明两种方法的实验效果都很好，但是MVAAR算法比AAR算法能够达到更高的分类正确率，其阶次一般选取也比较低，数据仿真吻合度高，具有更强的通用性。

关键词: 脑电信号, 脑－机接口, 自适应自回归模型, 多变量自适应自回归模型

Abstract: Identification and classification technology plays an important part in study of the BCI system.This paper presents the methods based on the AR model of adaptive algorithm and multi-variable AAR model algorithm to extract feature information which is related with ERD/ERS in EEG.The coefficients of AAR and MVAAR models respectively are combined with three kinds of classifiers to classify different tasks.From the results，we can see MVAAR algorithm made higher accuracy than AAR.MVAAR algorithm which orders are relatively lower.It realizes multi-channel data input and is more practical.

Key words: electroencephalogram（EEG）, brain-computer interface（BCI）, adaptive auto regression（AAR）, multi-variable auto regression（MVAAR）

唐艳,柳建新,邹清. 基于AR模型的脑－机接口问题研究[J]. 计算机工程与应用, 2009, 45(1): 149-152.

TANG Yan,LIU Jian-xin,ZOU Qing. Research on brain-computer interface based on AR[J]. Computer Engineering and Applications, 2009, 45(1): 149-152.

[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]	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.
[3]	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.
[4]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	李佳庆1，李海芳1，白一帆1，阴桂梅2，孙丽婷1. 脑电信号中眼电伪迹自动识别与去除方法研究[J]. 计算机工程与应用, 2018, 54(13): 148-152.
[15]	沈成业，张雪英，孙颖，畅江. 小波变换结合盲源分离的EEG情感识别[J]. 计算机工程与应用, 2018, 54(10): 164-168.

基于AR模型的脑－机接口问题研究

Research on brain-computer interface based on AR

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