文献类型：期刊文章

作　　者：张绍荣[1,2] 朱志斌[3,4] 冯宝[2] 余天佑[5] 李智[2]

Zhang Shaorong;Zhu Zhibin;Feng Bao;Yu Tianyou;Li Zhi(School of Electronic Engineering and Automation,Guilin University of Electronic Technology,Guilin 541004,China;School of Electronic Information and Automation,Guilin University of Aerospace Technology,Guilin 541004,China;School of Mathematics and Computing Science,Guilin University of Electronic Technology,Guilin 541004,China;Guangxi Colleges and Universities Key Laboratory of Data Analysis and Computation,Guilin University of Electronic Technology,Guilin 541004,China;School of Automation Science and Engineering,South China University of Technology,Guangzhou 510000,China)

机构地区：[1]桂林电子科技大学电子工程与自动化学院,桂林541004 [2]桂林航天工业学院电子信息与自动化学院,桂林541004 [3]桂林电子科技大学数学与计算科学学院,桂林541004 [4]桂林电子科技大学广西高校数据分析与计算重点实验室,桂林541004 [5]华南理工大学自动化科学与工程学院,广州510000

出　　处：《仪器仪表学报》

基　　金：国家自然科学基金(61967004,11901137,81960324);广西区自然科学基金(2018GXNSFBA281023,2016GXNSFBA380160);广西区自动检测技术与仪器重点实验室基金(YQ19209,YQ18107);桂林电子科技大学研究生教育创新计划项目(2019YCXB03)资助

年　　份：2019

卷　　号：40

期　　号：10

起止页码：179-191

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、RSC、SCOPUS、ZGKJHX、核心刊

摘　　要：针对脑电信号的通道选择和分类问题,提出了基于组稀疏贝叶斯逻辑回归(gsBLR)的运动想象脑电信号分类模型,同时进行通道选择和分类。首先,对多通道信号进行空间滤波和带通滤波,降低容积传导效应的影响;其次,对每个通道的信号提取具有判别信息的时域、频域以及时频域特征,并进行特征融合;最后,使用gsBLR方法进行通道选择和分类,在贝叶斯学习框架下模型参数可自动从训练数据中估计得到,避免了繁琐而耗时的交叉验证过程。在两个公开的脑机接口(BCI)竞赛数据集和自采集数据集上进行了实验验证,分别获得了81.63%、84.97%和76.47%的最高平均分类准确率;相比其他方法,所提出的方法具有较好的分类准确率和较少的通道数,同时所选通道与神经生理背景更加吻合。

关 键 词：运动想象脑电  脑机接口 组稀疏  贝叶斯学习 逻辑回归 通道选择  

分 类 号：TH77[仪器类] R318]