文献类型：期刊文章

作　　者：罗飞[1] 刘鹏飞[1] 罗元[1] 朱思蒙[1]

LUO Fei;LIU Pengfei;LUO Yuan;ZHU Simeng(School of Optoelectronic Engineering,Chongqing University of Posts and Telecommunications,Chongqing 400065,China)

机构地区：[1]重庆邮电大学光电工程学院

出　　处：《计算机应用》

基　　金：重庆市技术创新与应用示范(产业类重点研发)项目(cstc2018jszx-cyzdX0112)~~

年　　份：2020

卷　　号：40

期　　号：2

起止页码：616-620

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、INSPEC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：针对单一特征识别率低、自适应性差等问题,提出一种基于希尔伯特-黄变换(HHT)和共同空间模式(CSP)的特征提取方法HCHT。首先,对原始脑电信号(EEG)进行经验模态分解(EMD)得到固有模态函数(IMF),并将IMF分量合并成新的信号矩阵;然后,对IMF进行希尔伯特谱分析,得到信号的时-频域特征;接着,对构造的信号矩阵进行进一步的CSP分解,将时-频域特征扩展成时-频-空域特征;最后,通过支持向量机(SVM)对特征集进行分类。在BCI Competition II数据集的实验表明,与HHT时-频域和CSP空域特征的方法相比,所提方法的识别准确率分别提高了7.5、10.3和9.2个百分点,且标准差更小。在智能轮椅平台进行在线实验的结果表明,HCHT能有效提高识别准确率和稳定性。

关 键 词：脑电信号 运动想象  希尔伯特-黄变换 共同空间模式  智能轮椅

分 类 号：TP242.6]