基于经验模态分解和SVM的脑电信号分类方法

摘要：

脑电信号的非线性、非平稳性造成对运动想象脑电信号的分类识别存在特征提取困难、可区分性低以及分类识别性能差等问题;文章提出一种基于经验模态分解(empirical mode decomposition,EMD)和支撑向量机(support vector machine,SVM)的运动想象脑电信号分类方法,充分利用EMD算法在处理非线性、非平稳信号的自适应性以及SVM在小样本条件的高识别性能和强泛化能力;首先利用EMD算法将C3、C4导联信号分解为一系列本征模函数(intrinsic mode function,IMF),然后从IMF的信息和能量等维度提取特征将脑电信号转换至区分性更强的特征域,最后利用SVM进行分类识别;采用国际BCI竞赛2003中的Graz数据进行验证,所提方法可以得到94.6％的正确识别率,为在线脑-机接口系统的研究提供了新的思路.

关键词：脑电信号分类、经验模态分解、支撑向量机、特征提取

所属期刊栏目：28

分类号：TP391(计算技术、计算机技术)

在线出版日期：2020-04-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：189-194