分层向量自回归的多通道脑电信号的特征提取研究
有效的特征提取方法能提高脑机接口(Brain-computer interface, BCI)系统对脑电(Electroencephalogram, EEG)信号的识别率。因脑电信号都是多通道的,本文将分层向量自回归(Hierarchical vector autoregression, HVAR)模型用于脑电信号的特征提取,并结合传统的线性支持向量机(Support vector machine, SVM)用于脑电信号识别。该模型不仅克服了自回归(Autoregression, AR)模型只能用来提取单通道特征的局限性,而且不再采用传统VAR (Vector autoregression)模型所有通道共用一个时滞的处理方法。创新之处在于在传统的VAR 模型基础上添加正则化思想,有效地压缩参数空间,实现合理的分层结构。本文首次将HVAR 模型用于由Keirn等采集并整理的脑电数据中。实验结果证明HVAR 模型在阶数较小的情况下(2阶)与阶数较大(6阶)的AR 模型效果相当,可见低阶的HVAR 能很好地刻画脑电信号的时空关联关系,这说明HVAR可能是刻画EEG信号的一种新颖的方法,这对其他多通道时间序列分析都有借鉴意义。
脑机接口、脑电信号、分层向量自回归模型、特征提取、近邻梯度
42
O29;TP3
Manuscript received July 20,2015;accepted February 18,2016国家自然科学基金61473339;中国博士后科学基金2014M561202;河北省博士后专项基金B2014010005;首批“河北省青年拔尖人才”项目[2013]17
2016-08-29（万方平台首次上网日期，不代表论文的发表时间）
共12页
1215-1226
