在线脑机接口中脑电信号的特征提取与分类方法

电子学报 ›› 2011, Vol. 39 ›› Issue (5): 1025-1030.

在线脑机接口中脑电信号的特征提取与分类方法

徐宝国¹, 宋爱国¹, 费树岷²

1. 东南大学仪器科学与工程学院,江苏南京 210096;2. 东南大学自动化学院,江苏南京 210096

收稿日期:2010-06-17 修回日期:2010-10-26 出版日期:2011-05-25
- 基金资助:
- 国家863高技术研究发展计划 (No.2009AA01Z311,2008AA04Z0202); 国家自然科学基金 (No.60775057); 中国博士后基金面上项目 (No.20100481090)

Feature Extraction and Classification of EEG in Online Brain-Computer Interface

XU Bao-guo¹, SONG Ai-guo¹, FEI Shu-min²

1. School of Instrument Science and Engineering,Southeast University,Nanjing,Jiangsu 210096,China;2. School of Automation,Southeast University,Nanjing,Jiangsu 210096,China

Received:2010-06-17 Revised:2010-10-26 Online:2011-05-25 Published:2011-05-25

摘要/Abstract

摘要： 在脑机接口研究中,针对运动想象脑电信号的特征抽取,提出了一种基于离散小波变换和AR模型的方法.利用Daubechies类小波函数对脑电信号进行3 层分解,抽取小波变换系数的统计特征;利用Burg算法提取脑电信号6阶AR模型系数.将这两类特征进行组合后使用神经网络、支持向量机、马氏距离线性判别进行分类并比较分析.采用BCI2003竞赛数据,以分类精度与竞赛的最好结果进行了比较,表明了所提出方法的有效性.在脑电信号控制机器人的在线系统中,该模式识别算法的平均准确度达到了89.5%.该特征提取和分类方法为在线脑机接口系统的研究提供了新的思路.

关键词: 在线脑机接口, 运动想象, 小波变换

Abstract: In the study of brain-computer interface (BCI),a novel method of extracting electroencephalography (EEG) features based on discrete wavelet transform (DWT) and autoregressive (AR) model was proposed.First,the EEG signal was decomposed to three levels by Daubechies wavelet function and statistics of wavelet coefficients were computed.Also,the sixth-order AR coefficients of the EEG signal were estimated using Burg's algorithm.Then,the combination features were used as an input vector for neural network (NN) classifier,support vector machine (SVM) classifier,and linear discriminant analysis (LDA) classifier.Performance of this feature extraction method was tested using the data set from BCI 2003 competition.The recognition rate was compared with the best result of the competition and the classification results showed the effectiveness of this algorithm.Moreover,applying this pattern recognition algorithm to online robot control system based on EEG,the average accuracy of 89.5% was obtained.This method provides a new idea for the study of online BCI system.

Key words: online brain-computer interface, motor imagery, wavelet transform

中图分类号:

TB99

徐宝国, 宋爱国, 费树岷. 在线脑机接口中脑电信号的特征提取与分类方法[J]. 电子学报, 2011, 39(5): 1025-1030.

XU Bao-guo, SONG Ai-guo, FEI Shu-min . Feature Extraction and Classification of EEG in Online Brain-Computer Interface[J]. Acta Electronica Sinica, 2011, 39(5): 1025-1030.

[1]	吕杭, 蒋明峰, 李杨, 张鞠成, 王志康. 基于混合时频域特征的卷积神经网络心律失常分类方法的研究[J]. 电子学报, 2023, 51(3): 701-711.
[2]	王相海, 赵晓阳, 王鑫莹, 赵克云, 宋传鸣. 非抽取小波边缘学习深度残差网络的单幅图像超分辨率重建[J]. 电子学报, 2022, 50(7): 1753-1765.
[3]	李明爱, 张圆圆. 基于连续小波变换和符号传递熵的脑功能网络构建方法[J]. 电子学报, 2022, 50(7): 1600-1608.
[4]	刘胜, 王帮民, 张兰勇. 多通道盲电磁辐射现场分离方法研究[J]. 电子学报, 2022, 50(3): 557-566.
[5]	甘建旺, 沙芸, 张国英. 基于图像中值灰度相似度函数加权曲率滤波算法[J]. 电子学报, 2021, 49(6): 1187-1194.
[6]	林金朝, 李必禄, 李国权, 黄正文, 庞宇. 基于EWT和结构特征提取的心电信号R波识别算法[J]. 电子学报, 2021, 49(6): 1217-1223.
[7]	刘芳, 韩笑. 基于小波变换和深度网络的着陆地貌图像分类[J]. 电子学报, 2021, 49(11): 2171-2176.
[8]	刘秋红, 李天昀, 王彬, 许漫坤, 邱钊洋. 基于离散小波分解和频率脊线分析的CPM信号符号速率盲估计[J]. 电子学报, 2020, 48(3): 470-477.
[9]	黎明, 邢冬冬, 汪宇玲. 基于多分辨率Trace变换的纹理图像分类[J]. 电子学报, 2019, 47(4): 962-969.
[10]	张政, 马金全. 一种随机共振联合小波变换的符号速率估计方法[J]. 电子学报, 2019, 47(12): 2647-2652.
[11]	范虹, 张程程, 侯存存, 朱艳春, 姚若侠. 结合双树复小波变换和改进密度峰值快速搜索聚类的乳腺MR图像分割[J]. 电子学报, 2019, 47(10): 2149-2157.
[12]	王文波, 晋云雨, 王斌, 李维刚, 汪祥莉. 混沌信号的自适应阈值同步挤压小波变换消噪[J]. 电子学报, 2018, 46(7): 1652-1657.
[13]	周先春, 吴婷, 石兰芳, 陈铭. 一种基于曲率变分正则化的小波变换图像去噪方法[J]. 电子学报, 2018, 46(3): 621-628.
[14]	孙曜, 文成林, 韦巍. 基于脑电和眼电的运动想象多尺度识别方法研究[J]. 电子学报, 2018, 46(3): 714-720.
[15]	郑近德, 潘海洋, 戚晓利, 张兴权, 刘庆运. 基于改进经验小波变换的时频分析方法及其在滚动轴承故障诊断中的应用[J]. 电子学报, 2018, 46(2): 358-364.