文献类型：期刊文章

作　　者：沈晓燕[1,2] 王雪梅[1] 王燕[1]

SHEN Xiao-yan;WANG Xue-mei;WANG Yan(School of Information Science and Technology,Nantong University,Nantong 226019;Collaborative Innovation Center for Nerve Regeneration,Nantong University,Nantong 226019,China)

机构地区：[1]南通大学信息科学技术学院,江苏南通226019 [2]南通大学神经再生协同创新中心,江苏南通226019

出　　处：《计算机工程与科学》

基　　金：国家自然科学基金重点项目(61534003);国家自然科学基金面上项目(81371663);江苏省“六大”人才高峰项目(SWYY-116);南通市“226工程”;东南大学生物电子学国家重点实验室开放课题基金。

年　　份：2020

卷　　号：42

期　　号：8

起止页码：1482-1488

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD_E2019_2020、JST、ZGKJHX、核心刊

摘　　要：脑-机接口BCI是一种实现人脑和外部设备通信的新兴技术。基于时频特性进行特征提取的传统方法无法体现EEG信号的非线性特征。为了进一步提高分类的准确率,首先采用小波阈值降噪的预处理方法提高了EEG信号的信噪比。然后结合非线性动力学的样本熵参数,对3种想象运动的脑电信号进行特征提取,保留了脑电信号的非线性特征。其中,运动想象MI脑电信号的研究一直都是BCI这一高速发展领域的重点目标。还研究了支持向量机、LVQ神经网络和BP神经网络3种分类器。通过实验结果对比发现,BP神经网络具有较高的识别率,更适用于脑电信号的分类识别。

关 键 词：样本熵  特征提取 BP神经网络 模式识别

分 类 号：R318[生物医学工程类]