关键词:
脑电信号
自适应小波阈值
经验模态分解
模糊熵
人工蜂群
支持向量机
摘要:
脑-机接口(Brain-Computer Interface,BCI)是一种基于脑电信号(Electroencephalogram,EEG)的人机交互方式,它能够不需要依靠周边的肌肉和神经组织,只依靠脑部信号便可以达到自由行动及与外界沟通等目的。本文以基于运动想象的脑电信号为研究对象,对EEG信号预处理、特征提取和模式分类等处理过程进行研究,本文主要完成的研究工作如下:(1)预处理:为了减少信号中的噪声和其它的干扰成分,本文利用自适应的小波阈值去噪算法对采集的脑电信号进行处理。实验采用BCI国际竞赛的数据集,结果表明该方法在很大程度上减少了噪声干扰。(2)特征提取:由于脑电信号的非线性特点,本文提出了将改进的经验模态分解方法与模糊熵算法相结合的特征提取方法。原始的脑电信号经过分解得到若干个固有模态分量(IMF),然后利用互信息筛选出有用的IMF分量并进行重构,最后利用模糊熵对其进行特征提取,并采用2008年的BCI竞赛数据验证算法的特征提取效果。(3)模式分类:当采用支持向量机(SVM)进行模式分类时,核参数g和惩罚因子C的选择关系着分类器的性能,所以本文利用人工蜂群算法(ABC)优化SVM的模型参数,以增强分类器的分类性能,并对提取的脑电信号特征进行模式分类。(4)实验结果与分析:实验采用2005年和2008年BCI国际竞赛的数据集,实验一对比了ABC算法与传统优化算法的寻优性能,证明了ABC算法具有良好的寻优性能。实验二的结果表明ABC算法优化后增强了SVM的分类性能,有效地提高了脑电信号的分类正确率。实验三利用改进的EMD和模糊熵算法进行特征提取,然后结合人工蜂群优化的支持向量机对提取的特征进行分类,由实验结果可知,改进EMD和模糊熵算法相结合的方法是有效的,经ABC优化的SVM得到的识别率比传统的SVM要高。