基于自适应无参经验小波变换和选择集成 分类模型的运动想象

摘要：

运动想象模式识别率的提高对脑机接口(BCI)技术的应用具有重要意义,本文采用自适应无参经验小波变换(APEWT)和选择集成分类模型相结合的方法提高脑电(EEG)信号的分类识别准确率.首先,通过APEWT将EEG信号分解成不同的模态;然后,使用最优模态重构后的信号计算其能量谱(ES)特征,使用最优模态分量计算其边际谱(MS)特征;最后,将不同时间段的ES特征和不同频段的MS特征输入到构建的选择集成分类模型中,从而得到其分类结果,并将该方法与其他4种组合方法进行比较.实验结果表明,本文方法具有较好分类准确率和实时性,其平均分类正确率高于其他4种方法,同时较近期使用相同数据的文献也有优势.本文为在线运动想象类BCI的应用提供了新的方法和思路.

关键词：自适应无参经验小波变换、选择集成分类模型、运动想象、脑机接口

所属期刊栏目：67

资助基金：国家自然科学基金61673336;河北省自然科学基金F2015203372资助的课题

在线出版日期：2018-07-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：307-319