CEEMDAN与多特征融合的脑电信号识别研究

摘要：

为了解决脑电信号的非平稳特性难以分析,以及分类识别率低等问题,研究设计了基于自适应噪声完备经验模态分解(CEEMDAN)与多特征融合方法.通过对原始信号加时间窗进行CEEMDAN分解,根据各分量相关系数设计合成新信号进行共空间模式(CSP)提取空域特征,利用希尔伯特变换构造瞬时能量差和边际能量差特征,对各通道信号计算模糊熵组合成时-频-空域-非线性动力学的融合特征向量,最后采用灰狼算法(GWO)优化的支持向量机(SVM)对组合特征进行分类,对BCI CompetitionⅡ数据集平均分类识别率达89.29％.实验结果表明,多特征融合的识别率高于单一特征,加滑动时间窗改进CEEMDAN分解的方法有更高的分类识别率.

关键词：脑电信号、自适应噪声完备经验模态分解、希尔伯特变换、模糊熵、特征融合

所属期刊栏目：39

分类号：TP391.9(计算技术、计算机技术)

在线出版日期：2023-02-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：366-372