基于条件经验模式分解和串并行CNN的脑电信号识别
针对运动想象脑电信号(EEG)的非线性、非平稳特点,该文提出一种结合条件经验模式分解(CEMD)和串并行卷积神经网络(SPCNN)的脑电信号识别方法.在CEMD过程中,采用各阶固有模式分量(IMF)与原始信号的相关性系数作为第1个IMF筛选条件,在此基础上,提出各阶IMF之间的相对能量占有率作为第2个IMF筛选条件.此外,为了考虑脑电信号各个通道之间的特征和突出每个通道内的特征,该文提出SPCNN网络模型对进行CEMD过程后的脑电信号进行分类.实验结果表明,在自行采集的脑电数据集上平均识别率达到94.58%.在公开数据集BCI competition IV 2b上平均识别率达到82.13%,比卷积神经网络提高了3.85%.最后,在自行设计的智能轮椅脑电控制平台上进行了轮椅前进、左转和右转在线控制实验,验证了该文算法对脑电信号识别的有效性.
脑电信识认别、经验模式分解、卷积神经网络、特征提取、智能轮椅
42
TP391.4(计算技术、计算机技术)
国家自然科学基金;重庆市基础研究;前沿探索项目
2020-04-26(万方平台首次上网日期,不代表论文的发表时间)
共8页
1041-1048