基于LDA和KNN的下肢运动想象脑电信号分类研究
基于运动想象的脑—机接口系统(motor imagery brain computer interface,MI-BCI)是一种新兴的康复治疗手段.如何提高MI-BCI的识别准确率,是目前研究中的热点和难点.针对左、右脚的运动想象脑电信号进行分类研究,分别采集了单纯运动想象和含有电刺激辅助范式中的运动想象脑电信号,使用滤波器组共空间模式(filter bank common spatial pattern,FBCSP)进行特征提取后采用线性判别分析(linear discriminant analysis,LDA)与K-近邻法(k-nearest neighbor,KNN)相结合的方法实现分类识别,并与支持向量机(support vector machine,SVM)得到的分类结果进行对比.实验结果表明,LDA+KNN算法在两种条件下得到的平均分类准确率分别为67.5%和84.62%,比SVM算法结果高出了 5.29%和6.01%,说明这种改进后的算法适用于下肢的运动想象分类.
下肢运动想象;线性判别分析;K-近邻法;支持向量机
40
TN911.6
自然科学基金18JCYBJC88200
2021-06-15(万方平台首次上网日期,不代表论文的发表时间)
共6页
9-14